Forschung

Neuromorphic Engineering

Neuromorphic Engineering entwirft Computer, die vom Gehirn und seinen Fähigkeiten inspiriert sind, welche von herkömmlicher Technologie unerreicht sind. Es erforscht den Mittelweg zwischen Gehirnen und Computern durch die Anwendung von Prinzipien wie Event-based Computing mit Spiking Neural Networks (SNNs), Near-memory Hardware-Architekturen und Event-based Sensing. Mit der Nachahmung des Gehirns hinsichtlich der Organisation von Computing und der Kommunikation mit sparsen Spikes strebt Neuromorphic Engineering sehr effiziente und lernende intelligente Systeme an.

Self-adaptive Neuromorphic Systems

Jenseits des Deep Learnings sind SNN in der Lage, online zu lernen, was Anpassungen wie Gewichts-Updates und die Evolution der Netztopologie zur Laufzeit ermöglicht. Damit sind SNN fähig sich selbst an ein änderndes Umfeld oder neue Aufgaben anzupassen. Online-Lernalgorithmen können supervised oder unsupervised sein, einen oder mehrere Parameter festlegen und auf globalen oder lokalen, vergangenen oder ausschließlich gegenwärtigen Informationen beruhen. Das Zusammenspiel dieser Algorithmen ist kaum erforscht und birgt großes Potenzial für intelligente selbstadaptive Systeme.

Distributed Neuromorphic Systems

Der Einsatz drahtloser Kommunikation ermöglicht neuromorphen Systemen sich über ihre physischen Grenzen hinweg miteinander zu verbinden. Eine vernetzte KI, die in verteilten Systemen verkörpert ist, scheint damit plausibel. Herausforderungen diese zu realisieren liegen in der Verzögerung drahtloser Kommunikation, die sich schädlich auf zeitabhängige SNNs auswirkt. Lösungen bieten Zeitsynchronisierungsprotokolle mit passenden Kompensationsmechanismen, das Training von SNNs auf Robustheit gegen verrauschte Spike-Timings sowie die Anwendung von Online-Learning zur Kompensation.