Neuromorphic Computing – Next Generation AI
Alles was Sie über die nächste KI Generation wissen müssen
Die Entwicklung von künstlicher Intelligenz geht in zügigen Schritten voran. Die nächste KI-Generation ist bereits auf dem Vormarsch. Und mit dieser Generation kommen wir der Idee von der Annäherung an den Menschen immer näher. Denn wir bedienen uns hier eines altbekannten Konzeptes aus der Neurowissenschaft – der Funktion von Spikes und Neuronen.
Index
Eine neue KI-Generation steht uns bevor
Die erste Generation künstlicher Intelligenz war regelbasierte imitierte Logik, um begründete Schlüsse innerhalb eines spezifischen und begrenzten Problems ziehen zu können. Diese Art der Anwendung ist ideal, um einen Prozess zu überwachen oder zu optimieren. Die KI-Generation, die darauf folgte, beschäftigt sich hauptsächlich mit Wahrnehmung und Sensorik. Ein Deep Learning Network (DLN), das die Inhalte eines Videos oder Bilddaten analysiert, wäre hier ein gutes Beispiel. Die sogenannten Deep Neural Networks sind mittels klassischer Technologien wie SRAM oder Flash-basiert bereits in der Anwendung angekommen und imitieren zunächst die Parallelität und Effizienz des Gehirns nach. Eine weitere Reduzierung und Miniaturisierung des Energieverbrauchs für Edge-Anwendungen ist durch innovative Technologien möglich.
Die kommende nächste Generation von KI erweitert diese Fähigkeiten und korrespondiert mit menschlicher Kognition, wie zum Beispiel autonome Adaption oder die Fähigkeit zur Interpretation. Diese Weiterentwicklung ist entscheidend, um die Bruchstellen der aktuellen KI-Lösungen zu überwinden, die auf dem Training neuronaler Netze und Inferenzen basieren. Denn diese wiederum sind abhängig von deterministischen und wörtlichen Bewertungen von Ereignissen, denen oft der Kontext und ein allgemein gültiges Verständnis fehlen. Die nächste KI-Generation muss also in der Lage sein auf neue Situationen und Abstraktionen reagieren zu können, um alltägliche menschliche Aktivitäten automatisieren zu können. Spiking Neural Networks (SNN) versucht zusätzlich die zeitliche Komponente der Funktionalität von Neuronen und Synapsen physikalisch nachzubilden. Dies ermöglicht eine höhere Energieeffizienz und Plastizität.
Eine der maßgeblichen Herausforderungen in der neuromorphischen Forschung ist es, an die menschliche Flexibilität heranzukommen. Die Fähigkeit, von unstrukturierten Stimuli zu lernen und dabei genauso Energie effizient zu sein, wie das menschliche Gehirn wird eine der größten Herausforderungen der Forschung. Die Computer Building blocks innerhalb der neuromorphischen Computer Systeme sind analog der Logik von menschlichen Neuronen zu verstehen. Ein Spiking Neural Network (SNNs) ist ein neues Model, um diese Elemente so zu arrangieren, dass sie in der Lage sind menschliche neuronale Netze nachzuahmen.
Jedes Neuron des Spiking Neural Network (SNN) kann unabhängig voneinander ausgelöst werden und während dies geschieht, sendet es pulsierende Signale an andere Neuronen im Netzwerk, die wiederum sofort ihren elektrischen Zustand verändern können. Durch das Entschlüssen dieser Informationen innerhalb der eigenen Signale und nach eigener Zeitvorgabe, simulieren SNNs natürliche Lernprozesse, indem sie als Antwort auf die Stimuli die Synapsen dynamisch zwischen den künstlichen Neuronen untereinander zuordnen.
Was dürfen wir also erwarten?
Derzeit sind neuromorphische Computersysteme immer noch in der Erforschung. Bislang wird noch viel entwickelt und mit Prototypen gearbeitet. Die Technologie gewinnt schnell an Momentum und große Konzerne, wie Intel oder IBM beteiligen sich an der vielversprechenden Technologie in Forschungsprojekten.
Nichtsdestotrotz gibt es derzeit immer noch einige kritische Punkte, die es zu beachten gilt, damit die Anwendung neuromorphischer Systeme gelingen kann. Auf der Hardwareseite sehen wir uns mit der Speicherdichte konfrontiert, deren Limitierung ein Problem für die Erstellung robuster Chips darstellt. Besonders dann, wenn es darum geht Chips zu entwickeln, auf denen direktes Anlernen erfolgen soll, müssen hochpräzise synaptische Gewichte zusammen mit den Synapsen und den Neuronen deponiert werden. Hier können Entwicklungen in neuen integrierten Schaltungskomponenten, wie zum Beispiel dem Memristor (Ein Memristor ist eine Wortschöpfung aus den beiden Begriffen „memory“ und „resistor“) oder anderen Nanotechnologien unterstützend wirken.
Software seitig müssen wir Anwendungsfälle formulieren und relevante Probleme definieren, in denen neuromorphische Systeme eingesetzt werden können, um genügend Trainingsdaten zu generieren. Die Probleme, die bisher von KI-Technologien gelöst werden, sind speziell für Anwendungsfälle formuliert, die sich nicht neuromorphischen Computing bedienen. Um das Problem ein wenig anschaulicher darzustellen, nehmen wir einmal das Object Tracking in Computer Vision als Beispiel. Das Object Tracking wird üblicherweise von einer ordinären Kamera durchgeführt, die mehrfach Frames des Objektes aufzeichnet und verarbeitet. Malerische Daten aus einer neuromorphischen Perspektive bestehen aus einem kontinuierlichen Strom aus Spiking Signalen, die auf der Aktivierung von Retina Neuronen bei ankommender Lichteinstrahlung aktiviert werden. Der neuromorphische Ansatz gibt uns eine andere Sicht auf die Dinge, wie wir ein Problem betrachten. Um diese Anwendung richtig einsetzen zu können, müssen wir uns vorher mit den Problemen beschäftigen, die sie für uns lösen soll.
Es wird viel KI geforscht
Ein vielversprechendes Projekt, das sich genau mit diesen Problemstellungen in diesem Bereich beschäftigt, ist das Human Brain Project. Die Initiative, die durch die Europäische Union mitfinanziert wird, bietet eine Plattform für Forscher aus verschiedenen Bereichen an. Die neuromorphische Computing Plattform ist ausgelegt für Computer gestützte Neurowissenschaften und Machine Learning. Plattform-Nutzer können Netzwerkimplementierungen analysieren wie zum Beispiel vereinfachte Versionen von Gehirn Modellen, die von HBP Brain Simulation bereitgestellt werden oder aber auch generische Schaltungsmodelle, die auf theoretischen Arbeiten basieren. Auch für Forscher aus Industrie und Technologie-Unternehmen kann die Plattform interessant sein, um unternehmensspezifische Anwendungen zu simulieren und zu testen. Im Vergleich zu anderen Hochleistungsrechner-Ressourcen bieten neuromorphische Systeme schnellere Geschwindigkeiten bei geringerem Energieverbrauch.
Die Kommentarfunktion ist geschlossen.