Fortschritte bei neuromorphen KI-Chips Dem Gehirn immer ähnlicher

Spiking Neural Networks (SNN) kommen der Arbeitsweise des Gehirns deutlich näher als die inzwischen schon weit verbreiteten Convolutional Neural Networks (CNN) und sind dementsprechend deutlich energieeffizienter.

Allerdings sind die SNN nicht so einfach einzusetzen, neue Algorithmen müssen entwickelt werden. Doch es gibt Fortschritte.

So will Brainchip in einigen Monaten erste SNN-Chips vorstellen. Noch näher als SNNs, die auf Basis herkömmlicher Transistoren arbeiten, kommen Chips ihrem biologischen Vorbild, die Memristoren nutzen. Hier wird intensiv geforscht und auch hier gibt es Durchbrüche, auch wenn es noch etwas länger dauern wird, bis diese Chips in kommerziellen Geräten zum Einsatz kommen können.
Doch warum sind SNNs so vielversprechend? Vor allem weil sie deutlich weniger Leistung aufnehmen und schneller sind. Denn die Neuronen von SNNs senden erst dann ein Signal, einen Spike, aus, wenn die eingehenden Signale einen bestimmten Schwellenwert überschreiten; sie sind ereignisgesteuert. Deshalb müssen SNNs weit weniger Berechnungen durchführen als CNNs.

Das Startup Brainchip hatte sich deshalb zum Ziel gesetzt, mit dem Akida einen SNN-basierten Chip zu entwickeln, der für den Einsatz in Edge-Geräten geeignet ist. Eigentlich sollte er bereits im letzten Jahr auf den Markt kommen. Doch dann erkannte Mitgründer und CTO Peter van der Made, dass die potenziellen Anwender mit einem reinen SNN-Chip wenig anfangen können, einfach weil sie CNNs gewöhnt sind. Also hat sich Brainchip entschlossen, auch CNN-Funktionen auf dem Akida zu integrieren. »Deshalb haben wir die zusätzliche Entwicklungszeit von einem Jahr in Kauf genommen und MAC-Arrays auf den Chip integriert«, erklärte Peter van der Made gegenüber Markt&Technik. Jetzt stünde die Markteinführung unmittelbar bevor: »Wir rechnen im dritten Quartal 2020 mit Ingenieurmustern«, so van der Made. Als typische Werte für die Leistungsaufnahme nennt er für die Keyword-Erkennung 100 µW, für eine typische Cybersecurity-Anwendung 20 mW und für eine Bildklassifizierung 156 mW.

 

Auf dem Chip sind neben dem SNN, den MAC-Arrays und dem CNN-to-SNN Converter ein Prozessor für das Datenmanagement sowie 8 Mbit SRAM integriert. »Damit sind wir auch die ersten, die On-Chip Learning durchführen können, was für Edge-Anwendungen besonders vorteilhaft ist«, so Made. Der Akida soll zwischen 15 und 20 Dollar kosten, in größeren Stückzahlen 10 Dollar.

Auch das imec setzt auf SNNs und hat gerade einen SNN-basierten KI-Chip vorgestellt. »Ihre Leistungsfähigkeit können diese SNNs am eindrucksvollsten in Antikollisionssystemen für Drohnen unter Beweis stellen«, sagt Ilja Ocket, Program Manager Neuromorphic & Cognitive Sensing vom imec. Denn es gibt kaum einen anderen Anwendungsfall, der so hohe Ansprüche an eine möglichst geringe Leistungsaufnahme stellt und gleichzeitig höchste Leistungsfähigkeit und Reaktionsschnelligkeit verlangt wie die batteriebetriebenen Drohnen. »Die Drohnen werden also praktisch ohne Verzögerungen auf potenziell gefährliche Situationen reagieren können«, so Ilja Ocket. »Deshalb sehe ich unsere Technik als einen wichtigen Sprung nach vorne in der Entwicklung echter selbstlernender Systeme an.«

Gegenüber herkömmlichen Methoden erreicht der SNN-Chip eine um den Faktor 100 geringere Leistungsaufnahme und eine zehnmal geringere Latenz, was es erlaube, Entscheidungen in Echtzeit zu fällen. Der Chip lässt sich darüber hinaus auf viele Einsatzfälle optimieren, etwa für Elektrokardiografen, für die Sprachverarbeitung oder auf andere Sensoren wie Sonar und Radar verschiedener Frequenzen. Besonders erwähnt Ocket Mensch-Maschine-Schnittstellen. Hier ließen sich Gesten sehr genau erkennen, etwa ob sich nur die Finger einer Hand oder die ganze Hand bewege, sodass Menschen Maschinen mithilfe von Gesten einfach steuern können.