Neuromorphic Computing – ein Bereich, der Prinzipien der Neurowissenschaften auf Computersysteme anwendet, um die Funktion und Struktur des Gehirns nachzuahmen – muss skaliert werden, wenn es effektiv mit aktuellen Computermethoden konkurrieren soll. In einer am 22. Januar in der Zeitschrift veröffentlichten Rezension Natur23 Forscher, darunter zwei von der University of California San Diego, präsentieren einen detaillierten Fahrplan dafür, was passieren muss, um dieses Ziel zu erreichen. Der Artikel bietet eine neue und praktische Perspektive zur Annäherung an die kognitive Kapazität des menschlichen Gehirns bei vergleichbarem Formfaktor und Stromverbrauch.
„Wir gehen nicht davon aus, dass es eine Einheitslösung für neuromorphe Systeme im großen Maßstab geben wird, sondern vielmehr eine Reihe neuromorpher Hardwarelösungen mit unterschiedlichen Eigenschaften je nach Anwendungsbedarf“, schreiben die Autoren.
Zu den Anwendungen für neuromorphes Computing gehören wissenschaftliches Rechnen, künstliche Intelligenz, erweiterte und virtuelle Realität, Wearables, Smart Farming, Smart Cities und mehr. Neuromorphe Chips haben das Potenzial, herkömmliche Computer hinsichtlich Energie- und Platzeffizienz sowie Leistung zu übertreffen. Dies könnte in verschiedenen Bereichen, einschließlich KI, Gesundheitswesen und Robotik, erhebliche Vorteile bringen. Da sich der Stromverbrauch von KI bis 2026 voraussichtlich verdoppeln wird, erweist sich neuromorphes Computing als vielversprechende Lösung.
„Neuromorphes Computing ist heute besonders relevant, da wir Zeuge einer unhaltbaren Skalierung energie- und ressourcenhungriger KI-Systeme werden“, sagte Gert Cauwenberghs, angesehener Professor am Shu Chien-Gene Lay Department of Bioengineering der UC San Diego und einer der Co-Autoren des Artikels.
„Neuromorphes Computing befindet sich in einem entscheidenden Moment“, sagte Dhireesha Kudithipudi, Robert F. McDermott-Stiftungslehrstuhl an der University of Texas San Antonio und korrespondierender Autor des Papiers. „Wir sind jetzt an einem Punkt angelangt, an dem es eine enorme Chance gibt, neue Architekturen und offene Frameworks zu entwickeln, die in kommerziellen Anwendungen eingesetzt werden können“, sagte sie. „Ich bin fest davon überzeugt, dass die Förderung einer engen Zusammenarbeit zwischen Industrie und Wissenschaft der Schlüssel zur Gestaltung der Zukunft dieses Fachgebiets ist. Diese Zusammenarbeit spiegelt sich in unserem Team von Co-Autoren wider.“
Letztes Jahr sicherten sich Cauwenberghs und Kudithipudi einen Zuschuss in Höhe von 4 Millionen US-Dollar von der National Science Foundation für den Start von THOR: The Neuromorphic Commons, einem einzigartigen Forschungsnetzwerk, das Zugang zu offener neuromorpher Computerhardware und -tools zur Unterstützung interdisziplinärer und kollaborativer Forschung bietet .
Im Jahr 2022 zeigte ein von einem Team unter der Leitung von Cauwenberghs entworfener neuromorpher Chip, dass diese Chips äußerst dynamisch und vielseitig sein können, ohne Kompromisse bei Genauigkeit und Effizienz einzugehen. Der NeuRRAM-Chip führt Berechnungen direkt im Speicher aus und kann eine Vielzahl von KI-Anwendungen ausführen – und das alles zu einem Bruchteil der Energie, die Computerplattformen für allgemeines KI-Computing verbrauchen. „Unser Natur Der Übersichtsartikel bietet eine Perspektive auf weitere Erweiterungen neuromorpher KI-Systeme in Silizium und aufkommenden Chiptechnologien, um sowohl das enorme Ausmaß als auch die extreme Effizienz der Selbstlernfähigkeit im Gehirn von Säugetieren zu erreichen“, sagte Cauwenberghs.
Um eine Skalierung im neuromorphen Computing zu erreichen, schlagen die Autoren mehrere Schlüsselmerkmale vor, die optimiert werden müssen, darunter Sparsity, ein entscheidendes Merkmal des menschlichen Gehirns. Das Gehirn entwickelt sich durch die Bildung zahlreicher neuronaler Verbindungen (Verdichtung), bevor die meisten davon selektiv beschnitten werden. Diese Strategie optimiert die räumliche Effizienz und behält gleichzeitig Informationen mit hoher Wiedergabetreue bei. Bei erfolgreicher Emulation könnte diese Funktion neuromorphe Systeme ermöglichen, die deutlich energieeffizienter und kompakter sind.
„Die erweiterbare Skalierbarkeit und überlegene Effizienz resultieren aus massiver Parallelität und hierarchischer Struktur in der neuronalen Repräsentation, die eine dichte lokale synaptische Konnektivität innerhalb neurosynaptischer Kerne, die der grauen Substanz des Gehirns nachempfunden ist, mit einer spärlichen globalen Konnektivität in der neuronalen Kommunikation über Kerne hinweg kombiniert, die die weiße Substanz des Gehirns modellieren, erleichtert durch hohe „Bandbreite rekonfigurierbare Verbindungen auf dem Chip und hierarchisch strukturierte Verbindungen über Chips hinweg“, sagte Cauwenberghs.
„Diese Veröffentlichung zeigt ein enormes Potenzial für den Einsatz von neuromorphem Computing im großen Maßstab für reale Anwendungen. Im San Diego Supercomputer Center stellen wir der nationalen Benutzergemeinschaft neue Computerarchitekturen zur Verfügung, und diese gemeinsame Arbeit ebnet den Weg für die Bereitstellung einer neuromorphen Ressource.“ für die nationale Benutzergemeinschaft“, sagte Amitava Majumdar, Direktor der Abteilung für datengestütztes wissenschaftliches Rechnen am SDSC hier auf dem Campus der UC San Diego und einer der Mitautoren des Papiers.
