Der Begriff neuromorph wurde von Carver Mead zur Beschreibung von Computerschaltkreisen geprägt, die den neurobiologischen Strukturen des Nervensystems ähneln, wobei der Ausdruck sowohl für analoge als auch digitale sowie gemischte analog-digitale Systeme verwendet wird. Die dafür entwickelten neuromorphen Chips sollen wichtige Eigenschaften biologischer Gehirne wie Energieeffizienz, Robustheit und insbesondere Lernfähigkeit nachahmen, und eine Grundlage für die weitere Entwicklung künstlicher Intelligenz bilden, denn Computer sind beim Lösen von Rechenaufgaben zwar um ein Vielfaches schneller als Menschen, aber mit den analytischen Fähigkeiten des menschlichen Gehirns können sie nicht mithalten. Insbesondere können solche Systeme bisher nicht kontinuierlich lernen und sich dadurch auch nicht verbessern. Neuromorphe Chips sind Forschungsgebiet der Bionik und der Neuroinformatik, wobei es Prototypen etwa für künstliche Sehsysteme, Geruchsdetektoren, oder Taktgeber für naturnahe Bewegungsabläufe bei Robotern gibt. Gegenüber der normalen Von-Neumann-Architektur in der üblichen Computerhardware zeichnen sich neuromorphe Chips durch eine auf die Aufgabe hochspezialisierte Hardware aus, deren hervorstechendes Merkmal hohe Vernetzung (Interkonnektivität) mit diversen Rückkopplungen ist, d. h., es wird angestrebt auch die selbstorganisierende Entwicklung des Gehirns in diesen Schaltkreisen abzubilden.
Auf der NICE-Konferenz 2018 (NICE bedeutet Neuro Inspired Computational Elements) wurden drei solcher Chips vorgestellt, die diese Imponderabilien von Computern beseitigen sollen:
- Der BrainScaleS-Chip beruht auf einem gemischten Analog-Digital-Design, das zwischen 1000 und 10.000 Mal schneller als Echtzeit arbeitet. Der neuromorphe BrainScaleS-Chip der zweiten Generation verfügt erstmals über frei programmierbare On-Chip-Lernfunktionen sowie ein analoges Hardwaremodell komplexer Neuronen mit aktiven Dendritenbäumen, die – nach dem Vorbild von Nervenzellen – insbesondere für die Nachbildung kontinuierlicher Prozesse des Lernens von Bedeutung sind.
- Der SpiNNaker-Chip basiert auf einer Vielkern-Architektur, d. h., auf ihm wurde aber ein Vielfaches an Prozessorkernen gekoppelt, wobei ein einziger Chip 144 „ARM Cortex M4“-Kerne mit einem innovativen Power-Management für einen sehr effizienten Energieverbrauch. enthält Der SpiNNaker-Chip liefert eine Rechenleistung von 36 Milliarden Anweisungen pro Sekunde und Watt; er soll vor allem für die Simulation mehrskaliger Hirnmodelle in Echtzeit eingesetzt werden.
- Der Loihi-Forschungschip enthält einen hochentwickelten Befehlssatz für neuronale Netzwerke aus „feuernden“ Neuronen sowie programmierbare Mikrocodes für Lernregeln. Loihi unterstützt eine Reihe von On-Chip-Lernmodellen für überwachtes und unbeaufsichtigtes Lernen sowie Lernprozesse, die auf Verstärkung beruhen.
Details zu diesen drei Chips:
https://electronicvisions.github.io/hbp-sp9-guidebook/pm/pm_hardware_configuration.html
https://electronicvisions.github.io/hbp-sp9-guidebook/mc/spiNNaker_configuration.html
https://www.golem.de/news/neuromorphic-computing-intels-loihi-chip-ist-gehirn-nachempfunden-1709-130276.html
Quellen
https://tu-dresden.de/tu-dresden/newsportal/news/computer-lernen-das-lernen (18-02-20)
https://de.wikipedia.org/wiki/Neuromorph (18-02-20)
Nachricht ::: Soziale Robotik ::: Impressum
Datenschutzerklärung ::: © Benjamin Stangl :::