Neuromorphes Computing – ein Bereich, der Prinzipien der Neurowissenschaften auf Computersysteme anwendet, um die Funktion und Struktur des Gehirns nachzuahmen – muss sich vergrößern, wenn es mit den derzeitigen Computermethoden konkurrieren will. In einem Review, der am 22. Januar in der Zeitschrift Nature veröffentlicht wurde, stellen 23 Forscher, darunter zwei von der University of California San Diego, einen detaillierten Fahrplan vor, was geschehen muss, um dieses Ziel zu erreichen. Der Artikel bietet eine neue und praktische Perspektive für die Annäherung an die kognitiven Fähigkeiten des menschlichen Gehirns bei vergleichbarem Formfaktor und Stromverbrauch
„Wir gehen nicht davon aus, dass es eine Einheitslösung für neuromorphe Systeme in großem Maßstab geben wird, sondern vielmehr eine Reihe von neuromorphen Hardwarelösungen mit unterschiedlichen Merkmalen, die auf den Anwendungsanforderungen basieren“, schreiben die Autoren;
Zu den Anwendungen für neuromorphes Computing gehören wissenschaftliches Computing, künstliche Intelligenz, Augmented und Virtual Reality, Wearables, Smart Farming, Smart Cities und mehr. Neuromorphe Chips haben das Potenzial, herkömmliche Computer in puncto Energie- und Raumeffizienz sowie Leistung zu übertreffen. Dies könnte in verschiedenen Bereichen wie KI, Gesundheitsfürsorge und Robotik erhebliche Vorteile mit sich bringen. Da sich der Stromverbrauch von KI prognostiziert bis 2026 verdoppeln wird, ist neuromorphes Rechnen eine vielversprechende Lösung.
„Neuromorphes Computing ist heute besonders relevant, da wir die unhaltbare Skalierung von energie- und ressourcenintensiven KI-Systemen beobachten“, so Gert Cauwenberghs, Distinguished Professor am UC San Diego Shu Chien-Gene Lay Department of Bioengineering und einer der Koautoren der Studie.
Neuromorphes Computing befindet sich an einem entscheidenden Punkt, so Dhireesha Kudithipudi, Robert F. McDermott-Stiftungslehrstuhl an der University of Texas San Antonio und korrespondierende Autorin der Studie. „Wir befinden uns jetzt an einem Punkt, an dem sich eine enorme Chance bietet, neue Architekturen und offene Frameworks zu entwickeln, die in kommerziellen Anwendungen eingesetzt werden können“, sagte sie. „Ich bin fest davon überzeugt, dass die Förderung einer engen Zusammenarbeit zwischen Industrie und Wissenschaft der Schlüssel zur Gestaltung der Zukunft dieses Bereichs ist. Diese Zusammenarbeit spiegelt sich in unserem Team von Koautoren wider.“
Letztes Jahr sicherten sich Cauwenberghs und Kudithipudi einen Zuschuss von 4 Millionen Dollar von der National Science Foundation, um THOR: The Neuromorphic Commons, ein einzigartiges Forschungsnetzwerk, das Zugang zu offener neuromorpher Computerhardware und -tools zur Unterstützung interdisziplinärer und kollaborativer Forschung bietet.
Im Jahr 2022 zeigte ein neuromorpher Chip, der von einem Team unter der Leitung von Cauwenberghs entwickelt wurde, dass diese Chips sehr dynamisch und vielseitig sein können, ohne dabei an Genauigkeit und Effizienz einzubüßen. Der NeuRRAM-Chip führt Berechnungen direkt im Speicher aus und kann eine Vielzahl von KI-Anwendungen ausführen – und das zu einem Bruchteil des Energieverbrauchs von Computerplattformen für allgemeine KI-Berechnungen. „Unser Nature Review-Artikel bietet eine Perspektive für weitere Erweiterungen von neuromorphen KI-Systemen in Silizium und aufkommenden Chip-Technologien, um sich sowohl dem massiven Umfang als auch der extremen Effizienz der Selbstlernfähigkeit des Säugetiergehirns anzunähern“, so Cauwenberghs.
Um die Skalierbarkeit neuromorpher Computersysteme zu erreichen, schlagen die Autoren mehrere Schlüsseleigenschaften vor, die optimiert werden müssen, darunter die Sparsamkeit, ein entscheidendes Merkmal des menschlichen Gehirns. Das Gehirn entwickelt sich, indem es zahlreiche neuronale Verbindungen bildet (Verdichtung), bevor es die meisten von ihnen selektiv abschneidet. Durch diese Strategie wird die räumliche Effizienz optimiert, während die Informationen mit hoher Genauigkeit gespeichert werden. Bei erfolgreicher Emulation könnte diese Eigenschaft neuromorphe Systeme ermöglichen, die wesentlich energieeffizienter und kompakter sind;
„Die erweiterbare Skalierbarkeit und die überlegene Effizienz ergeben sich aus der massiven Parallelität und der hierarchischen Struktur der neuronalen Repräsentation, die eine dichte lokale synaptische Konnektivität innerhalb der neurosynaptischen Kerne, die der grauen Substanz des Gehirns nachempfunden sind, mit einer spärlichen globalen Konnektivität in der neuronalen Kommunikation zwischen den Kernen, die der weißen Substanz des Gehirns nachempfunden sind, kombiniert, was durch rekonfigurierbare Verbindungen mit hoher Bandbreite auf dem Chip und hierarchisch strukturierte Verbindungen zwischen den Chips ermöglicht wird“, so Cauwenberghs.
