Was ist neuromorphes Computing?

Innovation ist die Suche nach neuen wissenschaftlichen Wegen, um die Grenzen aktueller Spitzentechnologien zu überwinden oder ihre Schwächen zu verbessern. Schauen wir auf den Status quo der KI: Sie ist extrem leistungsfähig und kann Dinge, die vor wenigen Jahren noch unmöglich schienen. Viele dieser Systeme sind jedoch ineffizient und ressourcenintensiv. 

Wie wir in einem separaten Beitrag zu Nachhaltiger KI erklärt haben, erfordern das Training und der Betrieb moderner KI-Systeme enorme Mengen an Strom, Wasser und Rohstoffen – mit einer rasant wachsenden Umweltbilanz. Vor diesem Hintergrund überrascht es nicht, dass Sam Altman, CEO von OpenAI, dem Unternehmen hinter ChatGPT und anderen erfolgreichen generativen KI-Modellen, die Zukunft der KI von Durchbrüchen in der Energiegewinnung abhängig macht. 

Während wir auf neue (saubere) Energiequellen warten, suchen Forschende nach Möglichkeiten, die Energiekosten aktueller KI-Technologien durch neuartige, effizientere Rechenansätze zu senken.

Hier kommt neuromorphes Computing ins Spiel. Neuromorphes Computing ist ein Rechenansatz, der von Struktur und Funktionsweise des menschlichen Gehirns inspiriert ist. Er bedeutet einen Paradigmenwechsel: Informationen werden verarbeitet, indem die neuronalen und synaptischen Strukturen und Funktionen des Gehirns simuliert werden. Ziel ist es, neuartige KI-Systeme zu schaffen, die heutigen Deep-Learning-Modellen in Leistungsfähigkeit und Effizienz überlegen sind.

Dieser Artikel liefert dir alles, was du für den Einstieg in das spannende und vielversprechende Feld des neuromorphen Computings brauchst. Wir beleuchten die Grundlagen dieses Paradigmas, zentrale Anwendungen sowie Vorteile und Herausforderungen.

Was ist neuromorphes Computing?

Neuromorphes Computing ist ein revolutionärer Ansatz für die Entwicklung von Hard- und Software, der das menschliche Gehirn nachahmt. Er bietet eine effizientere und nachhaltigere Alternative zur traditionellen Datenverarbeitung, um fortgeschrittene KI-Systeme anzutreiben.

In den letzten Jahrzehnten haben sich die Fähigkeiten von Computern kontinuierlich weiterentwickelt. Von einfachen Taschenrechnern bis hin zu komplexen Systemen, die die Kraft von KI und Machine Learning nutzen, um Ereignisse mit nie dagewesener Genauigkeit vorherzusagen und Inhalte zu generieren (z. B. ChatGPT) – die Computerevolution sagt viel über unsere moderne Gesellschaft aus und wie wir hierhergekommen sind.

Allerdings stoßen moderne Computer an Grenzen. Mit dem Aufstieg der KI haben sich bestehende Rechenansätze als ineffizient, langsam und energiehungrig erwiesen. Die Ressourcen, die nötig wären, um KI allgegenwärtig zu machen, sind aus Umweltsicht übermäßig hoch und kaum vertretbar. 

Neuromorphes Computing ist ein neuer Ansatz, der genau diese Grenzen aktueller Maschinen adressiert. Auch wenn der Begriff nicht neu ist (er geht auf die 1980er Jahre zurück, als die Forschenden Misha Mahowald und Carver Mead die erste Silizium-Netzhaut und -Cochlea sowie die ersten Silizium-Neuronen und -Synapsen entwickelten und damit das neuromorphe Rechenparadigma begründeten), gewinnt er rasant an Fahrt. 

Er stellt eine grundlegende Neuausrichtung dar, wie Hard- und Software konzipiert und entwickelt werden. Das Ziel ist, Rechnerkomponenten zu entwerfen, die das menschliche Gehirn und Nervensystem nachbilden. 

Wie funktioniert neuromorphes Computing?

Um zu verstehen, wie neuromorphes Computing funktioniert, müssen wir zunächst begreifen, wie das menschliche Gehirn arbeitet. 

Vereinfacht gesagt übernehmen Neuronen und Synapsen sowohl die Verarbeitung als auch die Speicherung von Informationen. Diese Neuronen und Synapsen senden und übertragen Informationen im Gehirn nahezu in Echtzeit und mit minimalem Energiebedarf. Das erklärt zum Beispiel, warum wir schnell eine Katze von einem Hund unterscheiden oder das Auto anhalten können, sobald ein Fußgänger auf die Straße tritt.  

Der Schlüssel zu unserer herausragenden Fähigkeit, die Komplexität der Realität zu meistern, liegt darin, dass Verarbeitung und Speicher am selben Ort stattfinden. Das unterscheidet sich grundlegend von klassischen Computern, die getrennte Speicher- und Verarbeitungseinheiten besitzen. 

Dieses Design ist zwar bei komplexen Operationen – etwa der Vorhersage, ob es morgen regnet – äußerst effektiv, aber für Aufgaben, die Menschen leichtfallen, wie Bilderkennung, Schlussfolgern oder Gehen, ist es wenig ideal.

Die Revolution des neuromorphen Computings verspricht, diese Aufgaben auf einem einzigen Chip auszuführen, der speziell für sogenannte Spiking Neural Networks (SNNs) entwickelt ist – eine Art künstliches neuronales Netz aus spikenden Neuronen und Synapsen. Lies unseren eigenen Beitrag, um mehr über neuronale Netze zu erfahren.

SNNs unterscheiden sich von konventionellen neuronalen Netzen, weil sie den ständigen Datentransfer zwischen Speicher (RAM) und Recheneinheiten (CPU oder GPU) überflüssig machen. Sie sind zudem ereignisgetrieben: Sie verarbeiten Informationen nur dann, wenn relevante Ereignisse eintreten (basierend auf einem Spiking-Mechanismus, der über Schwellwerte Neuronen aktiviert). 

Dadurch können SNNs die Verarbeitungszeit verkürzen und den Energieverbrauch senken. Solche Latenzgewinne machen besonders dort einen großen Unterschied, wo Computer auf Echtzeit-Sensordaten angewiesen sind – etwa bei Kameras in selbstfahrenden Autos.

Anwendungen des neuromorphen Computings

Neuromorphes Computing kann eine Revolution mit weitreichenden Auswirkungen auf die Industrie vorantreiben. Wenn die versprochenen Effizienzgewinne Realität werden und sich durchsetzen, könnte neuromorphes Computing in vielen Bereichen zum Gamechanger werden und Entwicklung sowie Umsetzung deutlich beschleunigen.

Nachfolgend findest du einige der überzeugendsten Anwendungen, die von neuromorphem Computing profitieren.

Künstliche Intelligenz und Machine Learning

KI ist eine der disruptivsten und transformativsten Technologien, die wir je entwickelt haben. Die Einsatzmöglichkeiten sind nahezu endlos. Wie bereits erwähnt, sind heutige Computer jedoch nicht optimal dafür aufgestellt, das volle Potenzial der KI auszuschöpfen. 

Neuromorphes Computing liefert glücklicherweise einen innovativen Rechenansatz, der sich bereits als besonders geeignet für Aufgaben erwiesen hat, die Energieeffizienz, Parallelverarbeitung und Anpassungsfähigkeit erfordern – etwa Mustererkennung und sensorische Verarbeitung. So wurde neuromorphes Machine Learning zum Beispiel genutzt, um Muster in der natürlichen Sprache zu erkennen oder für Gesichtserkennung.

Autonome Fahrzeuge

Ein hervorragendes Beispiel dafür, wie neuromorphes Computing bei sensorlastigen Anwendungen den Unterschied macht, sind autonome Autos. Hersteller setzen mehrere Kameras und intelligente Sensoren ein, um Umgebungsbilder zu erfassen, damit selbstfahrende Fahrzeuge Objekte, Fahrbahnmarkierungen und Verkehrsschilder erkennen und sicher fahren können. 

Dank hoher Performance und geringer Latenz können neuromorphe Rechner die Navigationsfähigkeiten autonomer Fahrzeuge verbessern und schnellere sowie präzisere Entscheidungen ermöglichen – essenziell, um Unfälle zu vermeiden – und zugleich den Energiebedarf deutlich senken. Das würde letztlich die Batterielaufzeit der Fahrzeuge verlängern.

Wenn dich die technischen Details autonomer Fahrzeuge interessieren, findest du hier ein DataCamp-Projekt zum Erkennen von Verkehrsschildern mit Deep Learning für deinen Einstieg.

Robotik

Ähnlich wie bei autonomen Fahrzeugen gilt neuromorphes Computing als Schlüsseltechnologie, die die Robotik auf ein neues Entwicklungsniveau heben wird. Neue Roboter mit neuromorphen Sensoren könnten klassische Herausforderungen des Feldes besser lösen – etwa wie sich Lernen in Echtzeit und Entscheidungsfindung in realen Umgebungen unter Berücksichtigung von Batteriegrenzen umsetzen lassen. 

Interessiert dich, wie Maschinen mit ihrer Umgebung interagieren? Lies diesen Artikel, um mehr über Maschinenwahrnehmung und smarte Sensoren zu erfahren.

Edge Computing

Die meisten fortgeschrittenen KI-Systeme stützen sich oft auf entfernte Cloud-Server für die rechenintensiven Aufgaben. Das kann problematisch sein für Anwendungen, die schnelle Reaktionen brauchen – etwa selbstfahrende Autos – oder auf Geräten mit begrenzten Ressourcen. Edge Computing adressiert das, indem es KI-Fähigkeiten direkt auf das Gerät bringt.

Fortschritte im neuromorphen Computing werden Edge Computing voraussichtlich grundlegend verändern. Dank des niedrigen Stromverbrauchs neuromorpher Chips werden Smartphones und verschiedenste Wearables – die normalerweise nur kurze Batterielaufzeiten haben – viele neue Aufgaben übernehmen können, die zuvor sehr energieintensiv waren. 

Vorteile des neuromorphen Computings

Hier sind einige der wichtigsten Gründe, warum PwC neuromorphes Computing kürzlich zu einer der acht zentralen Zukunftstechnologien gezählt hat. 

Energieeffizienz

Neuromorphes Computing könnte die Basis für eine neue Ära des intelligenten Rechnens sein. Neue Hard- und Softwarekomponenten führen zu Effizienzgewinnen bei Datenverarbeitung und Stromverbrauch. Diese Verbesserungen helfen Unternehmen, Betriebskosten zu senken, schnellere und präzisere KI-Systeme zu entwickeln und idealerweise ihren CO₂-Fußabdruck zu reduzieren. 

Parallelverarbeitung

Parallelverarbeitung bedeutet, eine Rechenaufgabe in kleinere Teilaufgaben zu zerlegen und sie über mehrere Server gleichzeitig und damit schneller zu erledigen. Die Eigenschaften von SNNs machen sie besonders geeignet für Aufgaben, die Parallelverarbeitung erfordern – etwa Mustererkennung. 

Lernen in Echtzeit und Anpassungsfähigkeit

Neuromorphe Computer auf Basis von SNNs sind stark im Lernen in Echtzeit und in der Anpassung an neue Situationen. Diese Flexibilität kann in KI-Anwendungen entscheidend sein, die kontinuierliches Lernen und schnelle Entscheidungen brauchen – zum Beispiel in Robotern oder autonomen Fahrzeugen.

Herausforderungen und Grenzen

So klar die Vorteile sind: Die Technologie steckt noch in den Kinderschuhen und ist nicht bereit für den breiten Einsatz. Hier sind einige der anstehenden Hürden.

Fehlende Standards

Obwohl es immer mehr neuromorphe Projekte gibt, befinden sich die meisten in gut finanzierten Forschungslabors und Universitäten. Das deutet darauf hin, dass die Technologie noch nicht marktreif ist. Es fehlen weiterhin Hard- und Softwarestandards – ohne sie ist Skalierung kaum möglich.

Begrenzte Zugänglichkeit

Fehlende Standards bedeuten im Grunde, dass uns noch die gemeinsame Sprache fehlt, um die Komponenten und Eigenschaften neuromorpher Computer zu benennen und zu beschreiben. Das erklärt, warum weltweit nur eine kleine Zahl von Expertinnen und Experten mit neuromorphem Computing vertraut ist. Wie Andreea Danielescu, Associate Director bei Accenture Lab, sagt: