Neuromorphic Engineering

Neuromorphic Engineering – auch bekannt als Neuromorphic Computing – beschreibt die interdisziplinären Bemühungen von biologisch inspirierter Physik, Mathematik, Informatik und Ingenieurswissenschaft die Organisation- und Funktionsprinzipien von Informationsverarbeitung, wie sie in der Biologie zu beobachten sind, zur Entwicklung neuraler Systeme und Verbesserung der künstlichen Intelligenz zu nutzen.

Die Entwicklungen der letzten Jahre erfordern die Verarbeitung von stark zunehmendem Datenvolumen, was eine Herausforderung für Computersysteme hinsichtlich ihrer Skalierbarkeit darstellt. Klassische Computer basieren auf der Von-Neumann-Architektur, bei der Prozesskerne sequenziell Befehle ausführen und dabei Daten aus dem zentralen Speicher bearbeiten. Die Rechenleistung ist von der Datenübertragungsrate zwischen Prozessor und Speicher abhängig („Von-Neumann-Flaschenhals“).

Deshalb besteht die Idee des Neuromorphic Engineerings – inspiriert vom menschlichen Gehirn – darin, Chips zu entwickeln, die Speicher und Verarbeitung miteinander verbinden und gleichzeitig intelligent sowie leistungsstark und energieeffizient sind. Dies kann durch dedizierte Verarbeitungseinheiten, zwischen denen ein physisches Verbindungsnetz auf Grundlage eines BUS-Systems für den schnellen Austausch von Informationen sorgt, dargestellt werden. Die Hoffnung besteht darin, durch den Einsatz von neuromorphem Material die Fähigkeit von Neuronen und Synapsen, sich im Laufe der Zeit als Reaktion auf (maschinelles) Lernen anzupassen, zu imitieren und Geräten und Systemen so eine künstliche Intelligenz, die das maschinelle Lernen verbessert, zu verleihen.

Das größte Potential neuromorpher Systeme besteht in der wesentlich schnelleren und energieeffizienteren Lösung komplexer und hoch parallelisierbarer Probleme als dies mit herkömmlichen Computern möglich ist.

• Optimierungsprobleme

Komplexe Optimierungsprobleme, wie zum Beispiel die Optimierung von Übertragungsgeschwindigkeiten, lassen sich mit neuromorphen Algorithmen in Echtzeit lösen.

• Maschinelles Lernen

Mit Hilfe neuromorpher Algorithmen können im Gegensatz zu bisherigen Algorithmen, die durch endliche Datensätze trainiert werden, unendliche Mengen an Daten ausgewertet werden. Diese Technologie kann in Suchmaschinen, Spracherkennungsprogrammen oder medizinische Diagnosen verwendet werden.

• Mustererkennung

Neuromorphe Algorithmen erweisen sich als sehr effektiv bei Prozessen, bei denen es erforderlich ist, heterogene Objekte anhand ihrer Ähnlichkeit mit einem oder mehreren Referenzobjekten zu identifizieren. Diese Eigenschaft kann zum Beispiel bei der Gesichtserkennung oder bei der Navigation verwendet werden.

Herausforderung

• Hohe Komplexität

Die Komplexität neuromorpher Systeme ist so hoch, dass es sich in den letzten Jahren als interdisziplinäres Fach etabliert hat, bei dem sowohl die Physik, Mikroelektronik, Biologie, Mathematik und Informatik zum Einsatz kommt.

• Neue Technologie

Neuromorphic Engineering ist noch ein vergleichsweise junges Forschungsfeld und befindet sich deshalb noch in der Übergangsphase in die praktische Anwendung. So stellt die Anwendung für kleinere und mittlere Unternehmen trotz allen Potenzials noch eine große Hürde dar.

Chancen

• Effizienz Steigerung

Lösung für große, komplexe Rechenprobleme

• Problemlösung

Echtzeitverarbeitung sowie Anpassung und grundlegendes Lernen von Problemstellungen

• Intel
• Brainchip
• IBM

• Artificial Intelligence
• Cognitive Computing
• Neuromorphic Chips
• Neuromorphic Computing
• Neuromorphic Hardware