KIP-Veröffentlichungen

Modeling neuronal networks is an effective way to better understand the brain or to tackle highly complex problems in machine learning. Neuromorphic hardware sys- tems implement the emulation of neuronal networks on application-specific integrated circuits. These emulations can be highly accelerated and generally consume less power than conventional computer simulations. However, the fabrication of integrated circuits introduces transistor variations which lead to variations in neuron dynamics, hindering a precise emulation of neuronal networks. This thesis presents a software framework for automated characterization and calibration of the BrainScaleS Wafer-Scale neuromorphic chip, called HICANN. This calibration compensates the heterogeneity that is caused by transistor variations. Methods for the calibration of neuron parameters are introduced and their effectiveness is examined. It is shown that the variation across neuron param- eters can be significantly reduced in an automated fashion, allowing for the emulation of a basic neural network on the wafer-scale system. Furthermore, advanced measure- ment methods grant insights on additional neuron characteristics such as the membrane capacitance, leading to a better understanding of the circuits.

Die Modellierung von neuronalen Netzen ist ein effektives Mittel, um das Gehirn besser zu verstehen oder Probleme des maschinellen Lernens zu lösen. Neuromorphe Hardwaresysteme implementieren die Emulation von neuronalen Netzen in anwendungs- spezifischen integrierten Schaltkreisen. Diese Emulationen können stark beschleunigt sein und deutlich weniger Strom verbrauchen, als konventionelle Computersimulationen. Die Herstellung von integrierten Schaltkreisen bringt allerdings Variationen in Transistor- charakteristika mit sich, die zu Variationen in Neuronen-Parametern führen. Mit dieser Arbeit wird ein Software-Framework vorgestellt, welches das automatisierte Charakter- isieren und Kalibrieren des BrainScaleS Wafer-Scale neuromorphen Chips HICANN er- möglicht. Diese Kalibrierung kompensiert die durch Transistorvariationen hervorgerufene Heterogenität. Im Fokus der Arbeit stehen die Methoden zur Kalibrierung von Neuronen- parametern sowie Untersuchungen hinsichtlich deren Effizienz. Es wird gezeigt, dass sich Variationen von Neuronenparametern signifikant reduzieren lassen, was die Emulation von großskaligen neuronalen Netzen ermöglicht. Darüberhinaus geben erweitere Charak- terisierungsmethoden Einblicke in zusätzliche Neuronencharakteristika wie beispielsweise die Membrankapazität. Dies führt zu einem besseren Verständnis der Schaltkreise.