Neuromorphe Hardware: Wegbereiter für Edge AI

10. März 2021 | Rasenmäh-Roboter sind nur begrenzt »schlau«: Bislang brauchen sie nach wie vor ein Begrenzungskabel, um nicht doch versehentlich den Rasen des Nachbargrundstücks mit einzukürzen. Mit Edge AI soll es möglich werden, Rasenmäher, Sensoren oder andere Endgeräte mit Künstlicher Intelligenz zu versehen – und zwar ohne die ermittelten Daten für die Intelligenz-Leistung an eine Cloud schicken zu müssen. Vielmehr sitzt die »Schlauheit« im Endgerät selbst. Dies kann jedoch in vielen Fällen nur mit äußerst energieeffizienten Spezial-Chips funktionieren, leistungsfähige Mikrocontroller-Chips sind oft ungeeignet: Sie verbrauchen zu viel Energie.

Neuromorphe Hardware – vom Gehirn inspiriert

Hier kommt die neuromorphe Hardware ins Spiel: Diese energiesparsamen Chips werden speziell für Edge-AI-Anwendungen entwickelt. Diese Hardware ist in ihrer Gestalt (Morphologie) von biologischen neuronalen Systemen inspiriert, deren Komplexität sich von einfachen Nervensystemen in Weichtieren bis hin zum Gehirn erstreckt – schließlich ist hier in Sachen Effizienz viel zu lernen. Die neuronalen Systeme werden untersucht und analysiert, die Kommunikation zwischen den Neuronen in Form mathematischer Modelle beschrieben. Zwar lassen sich die Strukturen in Gehirn und Co. nicht eins zu eins in elektronische Schaltungen übersetzen, doch dienen die biologischen bzw. mathematischen Modelle als Basis für die benötigten energiesparenden Schaltungen. 

 

Neuromorphe Hardware: Verschiedene Wege führen zum Ziel

Was die Umsetzung neuromorpher Hardware angeht, so gibt es dazu verschiedene Wege. Zum einen lässt sich die Hardware als analoges System gestalten – wie das biologische Vorbild – oder man kann die Strukturen und Vorgänge auf digitale Weise nachahmen. Die zweite Weggabelung: Deep Neural Networks oder Spiking Neuronal Networks. Deep Neural Networks werden bereits überall in der Künstlichen Intelligenz eingesetzt, insbesondere aber bei der Bilderkennung. Im Gegensatz zu den klassischen Neuronalen Netzen, die beim Deep Learning eingesetzt werden, ahmen Spiking Neural Networks (SNNs, auf Deutsch „gepulste neuronale Netze“) die Kommunikation biologischer Neuronen nach, indem sie jeweils kurze Impulse, sogenannte Spikes, an die anderen Nervenzellen »feuern«. Das Ergebnis: schnellere und energieeffizientere Datenübertragung und -verarbeitung. Während übliche klassische Rechnerarchitekturen, wie PCs, die auf einen zentralen Prozessor und Bus setzen, besitzen neuromorphe Chips oft viele solcher kleinen Recheneinheiten die hoch parallel arbeiten.

 

Wie man die verschiedenen Ansätze miteinander kombiniert – etwa digitales Deep Learning oder analoge Spiking Neuronal Networks – hängt vom jeweiligen Anwendungsfall ab. Die Forscherinnen und Forscher des Fraunhofer IIS bieten ein fundiertes und breites Know-how auf dem Gebiet der neuromorphen Hardware. Damit bereiten sie den Weg, die KI für die verschiedensten Anwendungsfälle wie Produktion, Mobilität etc. direkt in die Endgeräte zu bringen, ohne eine Cloud-Anbindung zu benötigen und mit höhere Energieeffizienz.

 

Kontakt

Sie haben Fragen, Kommentare oder Anmerkungen zum Fraunhofer IIS Magazin?

Schreiben Sie uns eine E-Mail.

Immer informiert

Der Newsletter zum Magazin

Abonnieren Sie den Newsletter des Fraunhofer IIS Magazins und erhalten Sie alle neuen Themen kompakt per Mail.

Startseite

Zurück zur Startseite des Fraunhofer IIS Magazins