Nerven, einmal anders

WIEN. Neuromorphic Computing ist eine neue Technologie, um Künstliche Intelligenz (KI) zu verbessern. Das Ziel ist es, KI energiesparender und schneller zu machen. Seit drei Jahren arbeiten das Institut für Signalverarbeitung der Johannes Kepler Universität Linz (JKU), die Silicon Austria Labs (SAL) und das Software Competence Center Hagenberg (SCCH) eng zusammen und bündeln ihre Fachkenntnisse, um diese spannende Technik voranzutreiben.

Blick in das Innere
Zuerst zum Begrifflichen: Der Begriff „Neuromorphic Computing“ leitet sich von „Neuro“ ab, was sich auf das Nervensystem bezieht, und „morphisch“, was sich auf Form oder Struktur bezieht. Nun zum Methodischen: Das menschliche Gehirn verarbeitet Informationen nicht als Bits (wie klassische Computer), sondern nutzt Impulse (Spikes), also kurze elektrische Signale. Entscheidend ist, wann so ein Impuls auftritt – der exakte Zeitpunkt überträgt die eigentliche Information. Dadurch kann das Gehirn mehr und komplexere Informationen pro Signal transportieren als ein digitales Bit, das nur „0“ oder „1“ kennt. Die Zeit zwischen den Spikes oder ihr Muster enthält deutlich mehr Informationsgehalt, und das macht diese Methode effizienter für bestimmte Aufgaben – zum Beispiel um Muster oder Abläufe in Echtzeit zu erkennen. In der Technik werden solche Konzepte im „Neuromorphen Computing“ durch sogenannte Spiking Neural Networks (SNNs) nachgebildet.  „Unser Ziel ist es, Systeme zu entwickeln, die biologische Strukturen und Prozesse nachbilden – mit minimalem Energiebedarf und maximaler Reaktionsfähigkeit“, erklärt Bernhard A. Moser, Technology and Innovation Manager am SCCH. „Einsatzbereiche sind u. a. Robotik, Medizintechnik oder Umwelt-Monitoring“.

Forschungsteam räumt mit Vorurteilen auf
Trotz des zunehmenden Interesses an Neuromorphic Computing (NC) halten sich nach wie vor einige hartnäckige Vorurteile, wie z.B., dass man teure, spezielle Hardware braucht, dass es langsamer ist als klassische Verfahren oder, dass es an industrieller Reife fehle. „Wir zeigen, dass viele dieser Annahmen überholt sind. Erstens bietet NC nicht nur enormes Potenzial im Hinblick auf Energieeffizienz, sondern auch in Sachen Geschwindigkeit. Zweitens demonstrieren wir, dass NC keineswegs auf spezielle analoge Hardware beschränkt ist, sondern auch gewinnbringend auf Standard-Hardware-Plattformen eingesetzt werden kann“, betont Thomas Buchegger, Standortleiter von SAL in Linz.

Eine neue Studie zeigt, wie vielseitig Neuromorphic Computing eingesetzt werden kann – am Beispiel aus der Medizin. Forschende der JKU, der SAL, des SCCH und der TU Graz haben gemeinsam untersucht, wie sich EKG-Daten effizienter erfassen und verarbeiten lassen. Dabei konnten sie über 80% der Datenmenge einsparen, ohne dass die Qualität der Analyse leidet. Das bedeutet: Weniger Speicherbedarf bei gleicher Genauigkeit. Diese Technologie eröffnet große Chancen für die Zukunft der medizinischen Diagnostik und darüber hinaus.

Meilensteine der Forschungspartnerschaft
Seit Beginn ihrer Zusammenarbeit konnten die Partner eine Reihe richtungsweisender Erfolge erzielen, die das internationale Potenzial von Neuromorphic Computing „Made in Austria“ eindrucksvoll unterstreichen: So wurde etwa eine neue Erfindung zur besonders energiesparenden Datenerfassung bereits zum Patent angemeldet. Dabei kommen neuromorphe Prinzipien zum Einsatz, die von der Funktionsweise des menschlichen Gehirns inspiriert sind.
Außerdem wurde der Weltrekord bei SNN-Inferenz auf Standard-FPGAs aufgestellt. Mit einem neuen Demonstrator haben Forschende erfolgreich gezeigt, wie man sogenannte Spiking Neural Networks (SNN) – eine besondere Art von künstlichen neuronalen Netzwerken – besonders schnell auf gängigen FPGA-Systemen betreiben kann. FPGA steht für „Field Programmable Gate Array“ und beschreibt einen flexiblen, anpassbaren Computerchip, der häufig in der Technik eingesetzt wird.

„Mit unserem Verfahren können wir über 2,5 Mio. Bilder pro Sekunde verarbeiten – das ist mehr als 100 Mal schneller als bisherige Systeme mit der gleichen Hardware und den gleichen Daten“, erklärt Michael Lunglmayr vom Institut für Signalverarbeitung der JKU. „Zudem arbeitet unser System sehr energiesparend und erreicht eine Effizienz von mehr als 3 Mio, Bildern pro Sekunde pro Watt.“ Dieser Durchbruch zeige, wie leistungsfähig und gleichzeitig energieeffizient moderne künstliche Intelligenz auf handelsüblicher Hardware umgesetzt werden könne.