Neuronale Netzwerke feuern Pulse

Analog oder digital – diese beiden Begriffe sind den meisten Menschen gut bekannt. Dass es in punkto Künstlicher Intelligenz noch etwas »dazwischen« gibt, ist dagegen Expertenwissen. Dieses »Dazwischen« nennt sich »Spiking Neural Networks«. Ein Hoffnungsträger ist der Ansatz vor allem bei der Frage, wie sich die »Schlauheit« direkt in Endgeräte integrieren lässt. Der Kognitionswissenschaftler Johannes Leugering erläutert, was dahintersteckt.

»Spiking Neural Networks« ist ein sperriger Begriff. Wie füllt man ihn mit Leben?


Im Gehirn sind die einzelnen Neuronen miteinander zu neuronalen Netzen verbunden. Für die Künstliche Intelligenz ahmt man diesen Ansatz künstlich nach. Dazu nutzt man bisher meist Deep Neural Networks, bei denen die Signale zwischen den Neuronen entweder analog – also beispielsweise über einen bestimmten Spannungswert – übertragen werden oder digital – also über diskrete Informationspakete. Spiking Neural Networks funktionieren grundsätzlich ähnlich. Allerdings werden die Daten dabei auf eine andere Art und Weise übermittelt: Und zwar in Form von Pulsen, die die einzelnen Neuronen abfeuern – Spiking Neural Networks heißt schließlich nichts anderes als »gepulste Neuronale Netze«. Damit sind wir deutlich näher am Vorbild Gehirn. Die Information liegt in der Pulsrate, ein hoher Signalwert wird beispielsweise über viele Pulse direkt nacheinander repräsentiert. Wie man das am effizientesten realisieren kann, erforschen wir in einem Großprojekt, an dem neben uns noch zehn weitere Fraunhofer-Institute beteiligt sind.



Sie beschreiten mit den Spiking Neural Networks also quasi den »Weg der Mitte«, zwischen analog und digital. Warum?


Analoge und digitale Signalverarbeitung haben jeweils ihre Stärken: Die analoge Verarbeitung ist sehr energieeffizient, die digitale Übertragung punktet mit besserer Fehlerkorrektur und guter Skalierbarkeit. Mit den Spiking Neural Networks können wir diese Vorteile miteinander verbinden. Wir koppeln also die analoge Signalverarbeitung mit einer binären Übertragung, was sehr viele Möglichkeiten eröffnet. Denn damit können wir – so die Forschungshypothese – sehr energieeffiziente Schaltungen realisieren, die optimal für Edge AI geeignet sind, bei dem die Intelligenz in die Endgeräte verlagert wird. Und dabei ist die Energieeffizienz eine Kernanforderung. 



Was können die Spiking Neural Networks besonders gut?


Sollen am Computer große Bilddatensätze ausgewertet werden, haben momentan die Deep Neural Networks die Nase vorn. Spiking Neural Networks spielen ihre Stärke vor allem bei der Hardware-Implementierung aus. Sprich: Dort, wo neuromorphe Hardware nötig ist – das sind äußerst energieeffiziente Spezial-Chips, die es ermöglichen, Endgeräte intelligent werden zu lassen. Je nach Anforderung kann es sein, dass die analogen, die digitalen oder auch die Spiking Neural Networks die beste Performance bieten. Spiking Neural Networks eignen sich beispielsweise besonders gut im Bereich der Zeitreihen-Analyse. Solche Zeitreihen bekommt man fast überall dort, wo Sensordaten ausgewertet werden müssen – etwa bei der Anlagenüberwachung in der Produzierenden Industrie, bei EKG-Untersuchungen in der Medizin oder auch bei Audiosignalen. Die Spiking Neural Networks sind also ein weiteres Werkzeug, das man in der Kiste hat. 



Wo setzt man Spiking Neural Networks ein?


Spiking Neural Networks werden derzeit vor allem im Kontext von Forschungsprojekten, in der Vorentwicklung und bei Start-Ups evaluiert. Wo sich die genauen Einsatzgebiete befinden, wird die Zukunft zeigen.

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