Vom Gehirn inspirierte Chips treiben KI über das Rechenzentrum hinaus und ermöglichen eine Echtzeitentscheidungsfindung auf Geräten. Aber um ihr Versprechen zu erfüllen, muss die Infrastruktur vom Silizium aus überdacht werden.
Stellen Sie sich eine Drohne vor, die durch ein Lager mit insektenähnlichen Reflexen webt, oder eine Prothese, die sich in Echtzeit an den Benutzer anpasst. Dies sind keine weit zukunftsorientierten Konzepte. Sie sind frühe Beweispunkte für das neuromorphe Computing, eine neue Klasse von Hardware für künstliche Intelligenz (KI), die entwickelt wurde, um das menschliche Gehirn nachzuahmen.
Neuromorphe Chips verarbeiten Daten unter Verwendung von Spiking-Neural-Netzwerken (SNNs), die nur für aussagekräftige Eingaben aktiviert werden, ähnlich wie biologische Neuronen. Im Gegensatz zu zentralen Verarbeitungseinheiten (CPUs) und Grafikprozessoren (GPUs), die Speicher- und Verarbeitungseinheiten trennen, integriert das neuromorphe Computing diese Komponenten für eine effiziente parallele Datenverarbeitung (siehe Abbildung 1).
Das Ergebnis ist ein erheblich geringerer Stromverbrauch, schnellere Reaktionszeiten und kompakte Konstruktionen, die sich für eingeschränkte Umgebungen am Rand eignen. Dies ist wichtiger denn je, denn die Ausgaben für die globale Edge-Infrastruktur werden 2025 voraussichtlich 261 Mrd. US-Dollar erreichen und 2028 380 Mrd. US-Dollar erreichen.
Abbildung 1. Der einzelne neuromorphe Chip BrainScaleS-2 ist eines der Systeme, die für neuromorphe Computeranwendungen verwendet werden. Quelle: Neuromorph offen.
Wie neuromorphes Computing funktioniert
Neuromorphe Chips integrieren Speicher und Computing genau dort. Dieses Design vermeidet den Engpass von Neumann, der auftritt, wenn Daten ständig zwischen separaten Verarbeitungs- und Speichereinheiten bewegt werden. Statt kontinuierlich Daten abzuleiten, arbeiten diese Chips asynchron und lösen nur dann eine Berechnung aus, wenn sich der Sensoreingang ändert. Dieses ereignisgesteuerte Modell kann unnötige Verarbeitung minimieren und den Stromverbrauch im Vergleich zu herkömmlichen Systemen um das bis zu 100-fache reduzieren.
Zum Beispiel simuliert der Intel Loihi über eine Million Neuronen mit nur 70 Milliwatt. Herkömmliche Grafikprozessoren, die ähnliche Workloads ausführen, können mehrere Watt oder sogar Kilowatt verbrauchen, was ihre Verwendung in entfernten oder mobilen Umgebungen einschränkt.
Vorteile des neuromorphen Computings
Beim neuromorphen Computing geht es nicht um marginale Gewinne. Sie stellt eine strukturelle Veränderung in der Art und Weise dar, wie KI am Rande läuft.
Extrem niedriger Energieverbrauch
Neuromorphe Chips imitieren, wie Neuronen nur bei Bedarf feuern, und reduzieren so den Stromverbrauch im Leerlauf um das bis zu 100-fache.
Geringe Latenz
Spiking-Netzwerke unterstützen Reaktionszeiten unter 100 Millisekunden, die für Robotik, Echtzeitdiagnosen und Steuerungssysteme mit geschlossenem Regelkreis unerlässlich sind.
Parallele Verarbeitung
Die asynchrone Ausführung ermöglicht es diesen Systemen, mehrere Sensoreingänge gleichzeitig zu verarbeiten, ohne einen Engpass zu erzeugen.
Lärmtoleranz
Neuromorphe Chips eignen sich gut für chaotische Umgebungen und können unvollständige oder unstrukturierte Daten effektiver verarbeiten als herkömmliche KI-Modelle.
Kompakte Bauweise
Geringerer Energie- und Wärmebedarf ermöglicht die Bereitstellung in eingebetteten Geräten, wodurch große Kühlsysteme überflüssig werden oder die Cloud entladen wird.
Zusammen deuten diese Merkmale darauf hin, dass neuromorphe Systeme eine effiziente, autonome KI außerhalb des Rechenzentrums unterstützen könnten.
Anwendungsfälle für neuromorphes Computing
Gesundheitswesen
Neuromorphe Chips werden für die Low-Power-EKG-Analyse und adaptive Prothetik untersucht, die auf Echtzeitbewegungen reagieren (siehe Abbildung 3). Plattformen wie SpiNNaker und BrainScaleS haben die Lebensfähigkeit der hirnähnlichen Verarbeitung in medizinischen Kontexten gezeigt. Neuere Chips wie der Loihi von Intel haben sich in Gehirn-Maschine-Schnittstellen als vielversprechend erwiesen, indem sie neuronale Signale dekodierten, um Roboterglieder zu steuern, und den Weg für die Mobilitätswiederherstellung ebneten (siehe Abbildung 2).
Die Forschung zu molekularen Simulationen und Proteinfaltung unter Verwendung von SNNs könnte dazu beitragen, die Energiekosten zu senken, was möglicherweise die Effizienz und Erschwinglichkeit der Arzneimittelentwicklung und medizinischen Behandlungen verbessert.
Abbildung 2. Bild A (links): Neuromorph-kontrollierter, rollstuhlmontierter Roboterarm-Prototyp, der vom Forschungsautor Yuval Zaidel demonstriert wurde. Bild B (rechts): Steuerungsarchitektur: Spiking neuronaler Netze, die Beschleunigungsmesserdaten für die Echtzeit-Positionsanpassung verarbeiten. Quelle: Frontiers | Adaptive Steuerung eines rollstuhlmontierten Roboterarms mit neuromorph integrierten Geschwindigkeitsmesswerten und Online-Lernen.
Klimamodellierung und Physik
Bei CERN wurden ereignisbasierte Sensoren verwendet, die von neuromorphen Prinzipien inspiriert sind, um Partikel in lauten Umgebungen mit hohem Durchsatz zu verfolgen. Sandia National Laboratories verwendet ähnliche Chips, um den Energiebedarf für Klimasimulationen zu reduzieren, ein Feld, das traditionell von Supercomputern dominiert wird.
Robotertechnik und IoT
Der Grasping Neural Process des Massachusetts Institute of Technology (MIT) hat einen SNN-gestützten Roboterarm demonstriert, der auf 1.000 Geometrien und 5.000 Objekten geschult ist und eine zuverlässige Abholung in dynamischen Umgebungen wie Lagern ermöglicht.
Forscher haben dynamische Bildsensoren (DVS), von der Netzhaut inspirierte Kameras, verwendet, um Lichtveränderungen zu erfassen. Diese Sensoren ermöglichen es Drohnen, überfüllte Räume mit insektenähnlicher Agilität und ultraniedriger Latenz zu navigieren
Unternehmen wie Prophesee haben ereignisbasierte Visionssysteme für intelligente Überwachung auf den Markt gebracht, um Bandbreite und Energiebedarf zu reduzieren. Ihre Sensoren können mehr als 10.000 Bilder pro Sekunde erreichen, während sie weniger Strom verbrauchen.
Abbildung 3. Die Entwicklung einer somatosensorischen Neuroprothese beruht auf drei Hauptsäulen: (1) Verwendung von Computermodellen zur Nachahmung, wie das Nervensystem auf Berührung reagiert (blaues Segment); (2) Tests an Tieren zur Validierung von Neurostimulationsstrategien (oranges Segment); DRG – dorsales Wurzelganglion. (3) Durchführung klinischer Studien mit Menschen zur Beurteilung der Wirksamkeit der Technologie in realen Szenarien (grünes Segment). Quelle: Naturkommunikation.
Finanzen und Cybersicherheit
IBM hat die Verwendung von SNNs zur Betrugserkennung untersucht. Sie trainierten Modelle, die Muster bei Finanztransaktionen mit hoher Präzision identifizieren. Diese Systeme können sich mit minimalen Daten an aufkommende Bedrohungen anpassen.
Was die Infrastruktur braucht
Die Unterstützung neuromorpher Systeme erfordert mehr als inkrementelle Upgrades an der Edge. Es erfordert eine speziell entwickelte Infrastruktur (siehe Abbildung 4), die sich mit der Nachfrage skalieren lässt, sich an sich ändernde Workloads anpasst und in platz- oder leistungsbeschränkte Umgebungen passt.
So kann beispielsweise die Direct-to-Chip-Flüssigkeitskühlung die sporadische Wärme effektiver verwalten als die Luft allein. Der Vertiv™ Coolchip-Ansatz, der Flüssigkeits- und Luftkühlung kombiniert, trägt zur Aufrechterhaltung einer stabilen Leistung bei und reduziert gleichzeitig den Gesamtenergieverbrauch. Gleichermaßen müssen Energieversorgungssysteme schnell auf scharfe Stromverschiebungen reagieren, ohne zu überbauen, was sowohl die Kosten als auch den physischen Fußabdruck erhöht. Hochgeschwindigkeitsverbindungen sind ebenfalls erforderlich, um eine schnelle, lokalisierte Datenverarbeitung zu unterstützen.
Auf der Operationsseite erfordern neuromorphe Arbeitslasten eine andere Denkweise. SNNs und asynchrone Architekturen unterscheiden sich grundlegend von den Modellen, die in den meisten KI-Trainingspipelines verwendet werden. Teams müssen verstehen, wie sie mit ereignisgesteuerten Systemen arbeiten und diese pflegen. Ingenieure müssen unvorhersehbare Lasten und dynamisches Verhalten berücksichtigen.
Abbildung 4.Zum Beispiel sind modulare Lösungen wie Vertiv™ Infrastructure Solutions mit Vertiv™ CoolChip, die Direct-to-Chip-Flüssigkeitskühlung mit anpassungsfähigen luftseitigen Strategien kombinieren, bereits so konzipiert, dass sie Hochleistungs-Workloads wie neuromorphes Computing am Edge bewältigen.
Vorbereitung auf das, was als Nächstes kommt
Neuromorphes Computing ist kein Konzept. Es verändert bereits die Funktionsweise von Edge Intelligence. Von der Robotik und dem Gesundheitswesen bis hin zur Klimamodellierung und Cybersicherheit sind die Anwendungen hier. Was hinterherhinkt, ist die Infrastruktur.
Wenn Sie vorhaben, KI in der Peripherie bereitzustellen, benötigen Sie Systeme, die diese neuen Workloads unterstützen. Das bedeutet, dass die Rackdichte, thermische Strategien und die Reaktionsfähigkeit des Stroms bewertet werden. Es bedeutet auch, in Menschen zu investieren, die dieses neue KI-Paradigma verstehen: Teile-Neurowissenschaft, Teile-Engineering, Teilesystemdesign.
Die Entwicklung von Edge-KI hängt davon ab, wie die aktuelle Infrastruktur die aufkommenden Anforderungen erfüllt.
Besuchen Sie den Vertiv™ AI Hub, um Infrastrukturlösungen zu erkunden, die für neuromorphe Leistung entwickelt wurden – in der Peripherie, in Echtzeit und mit einer skalierbaren Effizienz.
