Die Chips in modernen Computern sind nicht nur unglaublich schnell, sondern auch extrem energiehungrig. Um Größenordnungen sparsamer ist dagegen das menschliche Gehirn. Die Vorteile beider Systeme sollen neuromorphe Chips vereinen: Sie bestehen aus herkömmlichen Bauteilen auf Basis von Silizium, ahmen aber in ihrem Aufbau die Struktur von Nervenzellen und Gehirn nach.

Ein hoch komplexes derartiges System stellen nun IBM-Wissenschaftler um Dharmendra Modha vor. Ihr TrueNorth genannter Chip umfasst eine Million "Neurone", die untereinander Signale austauschen können, sowie 256 Millionen zwischengeschalteter "Synapsen". Mehrere dieser Chips lassen sich sogar zu einem noch umfangreicheren Verbund zusammenschließen.

TrueNorth im Wärmebild
© IBM Research
(Ausschnitt)
 Bild vergrößernTrueNorth im Wärmebild
Die Wärmekamera bringt es ans Licht: Im Vergleich zu einem herkömmlichen FPGA-Chip (rechts) laufen die Berechnungen in TrueNorth (links) bei niedrigeren Temperaturen – und letztlich auch geringerem Energiebedarf – ab.

Als ersten Test implementierten Modha und sein Team ein Verfahren zur Bildverarbeitung. Es konnte in einer gefilmten Straßenszene bestimmte Objekte lokalisieren und identifizieren – in diesem Fall Fußgänger, Fahrradfahrer und andere Verkehrsteilnehmer. Das Berechnungsverfahren ist ebenfalls vom menschlichen Sehsystem inspiriert und wurde ursprünglich für am Computer simulierte neuronale Netze entwickelt. Ihm liegt ein Lernvorgang zu Grunde, bei dem schrittweise die Werte der Synapsen angepasst werden, solange bis das Gesamtnetzwerk die gewünschte Ausgabe liefert. Diesen Lernprozess müssen die Wissenschaftler derzeit noch außerhalb des Chips durchführen und die Ergebnisse dann auf den Chip überspielen.

Extrem große Energieeinsparung

Größter Vorteil des TrueNorth-Chips gegenüber Standardarchitekturen ist der drastisch verringerte Energieverbrauch: Hätte man das Objekterkennungsverfahren auf einem Standardcomputer laufen lassen, wäre der Energieverbrauch 176 000-mal höher gewesen, berechneten die Forscher. Ihr Chip benötigte im Experiment lediglich 63 Milliwatt. Sein entscheidender Vorteil ist, dass die TrueNorth-Neurone nur dann aktiv werden, wenn sie tatsächlich ein neues Signal ermitteln müssen. Die Komponenten herkömmlicher Systeme hingegen sind daueraktiv, und entsprechend viel Strom wird für ihren Betrieb aufgewendet.

Modhas Abteilung ist nicht das einzige Labor, in dem neuromorphe Systemen entwickelt werden. Offen ist allerdings, mit welcher Technik sich das Verhalten des Gehirns am besten imitieren lässt. Einige Teams experimentieren zum Beispiel mit neuartigen Materialien, deren elektrischer Widerstand veränderbar ist. Mit solchen Memristoren soll das Wachstum von Synapsen und die Bahnung neuronaler Impulse nachvollzogen werden.

Neuer Chip aus bewährten Bauteilen

Die IBM-Forscher nutzten jedoch ausschließlich gängige Bauteile. Jedes Neuron und jede Synapse muss daher durch einen Schaltkreis aus mehreren Transistoren simuliert werden – insgesamt 5,4 Milliarden dieser Basiselemente verbauten die Forscher für TrueNorth. Überdies müssen Werte wie beispielsweise die Synapsenstärke auf dem Chip zwischengespeichert werden. Ein Vorteil dieser Vorgehensweise ist, dass sich dadurch unterschiedliche Neuronenmodelle auf ein und derselben Hardware realisieren lassen.

Modulare Architektur
© IBM Research
(Ausschnitt)
 Bild vergrößernModulare Architektur
Der Chip besteht aus 64 x 64 Kernen, die wiederum 256 Output-Neurone und ebenso viele "Axone" als Input enthalten. Zwischen jedem Input-Axon und Neuron befindet sich eine variable Synapse.

Aus diesen Elementen bauten die Forscher "Kerne" von je 256 Neuronen und 256 x 256 Synapsen auf, in denen alle nötigen Elemente verkapselt sind. Über 4000 Stück davon passen auf den Chip.

Noch ist der Chip vergleichsweise langsam getaktet: Einzelne neuronale Schaltvorgänge bewegen sich mit einer Dauer von rund einer Millisekunde in derselben Größenordnung wie das Feuern biologischer Neurone. Grundsätzlich sei es aber möglich, die Taktfrequenz deutlich hochzusetzen, schreiben Modha und Kollegen. Um ihren Chip einsatztauglich zu machen, wollen sie Verfahren entwickeln, mit denen sich die zahlreichen bereits entwickelten Berechnungsverfahren für simulierte neuronale Netze leichter in ihren Chip übertragen lassen. Zudem sollen die Kerne eine gewisse Plastizität – und damit Lernfähigkeit – erhalten.