KIP-Veröffentlichungen

Der Unterschied zwischen Gehirnen und Computern, sowohl in ihren kognitiven Fähigkeiten als auch in ihrer Energieeffizienz, ist bemerkenswert groß. Gehirne verarbeiten Informationen enorm parallel und ihre Bestandteile organisieren sich potenziell von selbst. Im Gegensatz dazu führen digitale Computer Programmbefehle in einer deterministischen und vielmehr sequenziellen Art und Weise aus. Der aktuelle Fortschritt in der Entwicklung spezieller Hardware, die Neuronen und Synapsen physikalisch nachbildet, ermöglicht effiziente Emulationen von neuronalen Netzen. In dieser Arbeit verifizieren wir den Aufbau von Spikey, einem hoch konfigurierbaren neuromorphen Chip. Zudem wurde das Potenzial dieses Systems in Bezug auf neuronale Datenverarbeitung untersucht. Wir zeigen die Vielseitigkeit von Spikey durch die Implementierung einer Vielfalt von Netzwerkmodellen. Diese beinhalten Modelle zur Signalweiterleitung und -aufbereitung, universelle Klassifizierer, kortikale Modelle und Dekorrelation in rückgekoppelten Systemen. Netzwerke werden auf Spikey beschleunigt emuliert und eine synaptische Übertragung benötigt weniger als 1 nJ an Energie. Somit lassen sich neuronale Netze schneller und stromsparender simulieren als mit Schreibtischcomputern, was uns der Energieeffizienz von Gehirnen näher bringt. Im Zuge dieser Arbeit wurden die Zuverlässigkeit, Geschwindigkeit und Benutzerfreundlichkeit des Spikey-Systems weiterentwickelt, so dass das System der Forschungsgemeinschaft zur Verfügung gestellt werden kann, und sich in die dort gebräuchliche Softwareumgebung integrieren lässt. Die Tatsache, dass wir auch Netzwerke aufsetzen konnten, die für alltägliche Aufgaben wie der Objekt- oder Spracherkennung verwendet werden können, macht diese Technologie zu einer Alternative zu herkömmlichen Computern. Bedenkt man die Kompaktheit, Rechenleistung und Energieeffizienz, könnten neuromorphe Systeme
eine bahnbrechende Erweiterung zur klassischen Datenverarbeitung darstellen.

The gap between brains and computers regarding both their cognitive capability and power efficiency is remarkably huge. Brains process information massively in parallel and its constituents are intrinsically self-organizing, while in digital computers the execution of instructions is deterministic and rather serial. The recent progress in the development of dedicated hardware systems implementing physical models of neurons and synapses enables to efficiently emulate spiking neural networks. In this work, we verify the design and explore the potential for brain-inspired computing of such an analog neuromorphic system, called Spikey. We demonstrate the versatility of this highly configurable substrate by the implementation of a rich repertoire of network models, including models for signal propagation and enhancement, general purpose classifiers, cortical models and decorrelating feedback systems. Network emulations on Spikey are highly accelerated and consume less than 1 nJ per synaptic transmission. The Spikey system, hence, outperforms modern desktop computers in terms of fast and efficient network simulations closing the gap to brains. During this thesis the stability, performance and user-friendliness of the Spikey system was improved integrating it into the neuroscientific tool chain and making it available for the community. The implementation of networks suitable to solve everyday tasks, like object or speech recognition, qualifies this technology to be an alternative to conventional computers. Considering the compactness, computational capability and power efficiency, neuromorphic systems may qualify as a valuable complement to classical computation.