Spiking Neural Networks

Pulsende Neuronen mit Zeitgefühl

Mit Spiking Neural Networks (SNNs) wird Künstliche Intelligenz dem menschlichen Gehirn noch ähnlicher. Im Gegensatz zu herkömmlichen künstlichen neuronalen Netzen, in denen kontinuierlich Signale ausgetauscht werden, übertragen SNNs nur die relevanten Daten in Form von kurzen elektrischen Pulsen. Wie ihre biologischen Vorbilder haben die künstlichen Neuronen ein eigenes Zeitgefühl: Sie werden erst aktiv, wenn eine kritische Schwelle an Signalen überschritten wird. 

Während klassische KI-Modelle immer mehr Rechenkapazitäten beanspruchen, lösen Spiking Neural Networks das Spannungsfeld zwischen Energieeffizienz und Echtzeitfähigkeit auf. Ihre Struktur erlaubt es, selbst massive Datenmengen stromsparend und schnell zu verarbeiten, ohne dabei an Leistung zu verlieren. SNNs spielen ihre Stärken vor allem aus, wenn Künstliche Intelligenz direkt in Endgeräte integriert werden soll.

Wir wollen SNNs zum Durchbruch verhelfen und in die Praxis bringen. Daher erforschen wir nicht nur ihre Topologie, sondern entwickeln obendrein maßgeschneiderte Hardware-Designs für Ultra-Low-Power- und Ultra-Low-Latency-Anwendungen. 

Spiking Neural Networks – eine Technologie mit klaren Vorteilen

Energieeffizienz

 

Die Kommunikation zwischen künstlichen Neuronen ist enorm energieintensiv. Insbesondere die fortlaufende und getaktete Übertragung von Datenpaketen sorgt in großen neuronalen Netzen für erhebliche Effizienzverluste. Spiking Neural Networks lösen dieses Problem durch asynchrone Pulse, die den Informationsaustausch auf das Nötigste beschränken – und reduzieren den Stromverbrauch damit deutlich. 

Latenz

 

Mikroprozessoren basieren auf der Von-Neumann-Architektur, bei der Datenverarbeitung und Datenspeicherung strikt getrennt sind. Dadurch entsteht jedoch ein zusätzlicher Kommunikationsaufwand, der Latenzen verursacht. Die Neuronen in SNNs hingegen können Informationen nicht nur verarbeiten, sondern auch über die Zeit hinweg an dem Ort abspeichern, wo sie gebraucht werden. Dies löst den Flaschenhals, verringert die Latenzen und ermöglicht eine hohe Verarbeitungsrate, die primär für Echtzeitanwendungen unerlässlich ist. 

Robustheit

 

Neuronale Netze sind oft Störungen oder feindlichen Angriffen ausgesetzt. Bereits kleine Abweichungen im Eingangssignal können grundlegend andere Ausgangssignale erzeugen. SNNs spannen dagegen einen Schutzschirm auf: Da die Weiterleitung der Pulse auf statistischen Mustern basiert, ist der exakte Zeitpunkt, zu dem ein Signal eintrifft, irrelevant. Das Einflusspotenzial einzelner Fehler verringert sich und die Zuverlässigkeit des neuronalen Netzes wird deutlich erhöht.  

Unser SNN-Portfolio im Überblick

Wir unterstützen Unternehmen, die SNNs in ihren eigenen Produkten einsetzen möchten. Dabei begleiten wir Sie bei allen Fragen rund um das komplexe Thema Spiking Neural Networks und entwickeln Soft- und Hardware-Lösungen, die optimal auf Ihre Bedürfnisse zugeschnitten sind.

  • Beratung und individualisierte Schulung
  • Machbarkeits- und Technologiestudien
  • FuE-Projekte
  • Bereitstellung von Simulations-, Visualisierungs- und Trainingstools
  • IP-Lizenzierung von Hardware-IP-Cores
  • SNN-Beschleuniger SENNA

Spiking Neural Networks bringen den ausschlaggebenden Mehrwert

Während in der Bilderkennung und -analyse derzeit Deep Neural Networks noch die Nase vorn haben, trumpfen SNNs im Bereich der Zeitreihen-Analysen auf. Diese entstehen überall dort, wo Sensordaten ausgewertet werden – und machen SNNs zu einem Werkzeug, das in unterschiedlichsten Anwendungsszenarien zum Einsatz kommt. 

Kommunikationssysteme

 

In mobilen und drahtlosen Kommunikationssystemen kommt es auf Geschwindigkeit, Energieeffizienz und Robustheit an – ein Anforderungsprofil, das SNNs ideal erfüllen. Sie können Signale effizient filtern und verarbeiten sowie deren Qualität durch Rauschunterdrückung verbessern. Zudem unterstützen sie adaptive Modulations- und Codierungsschemata, mit denen die Übertragungseffizienz weiter optimiert werden kann. 

Geschlossene Regelungssysteme

 

Damit sich Elektromotoren exakt und zuverlässig steuern lassen, muss der Motorregler die Sensordaten und Feedbacksignale in Echtzeit verarbeiten. SNNs können hierbei als intelligente Motorregler implementiert werden, die sich jederzeit an wechselnde Bedingungen anpassen. Davon profitieren alle Industriebranchen, in denen Elektromotoren eingesetzt werden, insbesondere bei Anwendungsfällen, die sehr langsame oder schnelle Motordrehzahlen erfordern.   

Robotik

 

Roboter, die autonome Entscheidungen treffen sollen, müssen plötzliche Veränderungen in ihrer Umgebungssituation sofort wahrnehmen und darauf reagieren können. Mit SNNs lassen sich die Daten aus den Sensoren und Aktoren in Echtzeit auswerten. Ein Beispiel hierfür sind Roboter, die mit eventbasierten Kameras ausgestattet sind, die nach ähnlichen Prinzipien wie die menschliche Retina arbeiten.

Radarsysteme

 

In Radarsystemen dreht sich alles um die Detektion und Analyse von Objekten. Damit dies leistungsstark und präzise erfolgen kann, unterstützen SNNs die Vorverarbeitung und Filterung der empfangenen Signale, die Zielerkennung und -verfolgung sowie die Klassifizierung von Objekten auf Basis von Radar-Signaturen. Mit ihrer Energieeffizienz und Geschwindigkeit eignet sich die pulsbasierte Kommunikation vor allem für mobile und echtzeitfähige Radaranwendungen. 

Gesundheitswesen

 

Bei der Diagnose von Krankheiten zählt manchmal jede Sekunde. Mithilfe von SNNs können medizinische Daten schnell erfasst und analysiert werden. Zu ihren Einsatzgebieten im Gesundheitswesen gehören beispielsweise das Elektroenzephalogramm (EEG) oder Elektrokardiogramm (EKG). Zudem können die neuronalen Netze in tragbare Gesundheitsgeräte implementiert werden, um biometrische Daten kontinuierlich zu überwachen und Anomalien frühzeitig zu identifizieren. 

Referenzprojekte

Das könnte Sie auch interessieren

 

SENNA

Spiking Neural Network Inference Accelerator

 

6G-Mobilfunk

Das Netz der Netze

 

Künstliche Intelligenz

Hier geht es zurück zum Geschäftsfeld »Künstliche Intelligenz«