KIP-Veröffentlichungen

BrainScaleS-2 ist ein beschleunigtes analoges neuromorphes System, das im Rahmen des europäischen Human Brain Projects am Kirchhoff Institut für Physik in Heidelberg entwickelt wurde. Mit dem Ziel, feuernde neuronale Netzwerke nachzubilden, wie sie im Nervensystem des Körpers gefunden werden können, beinhaltet die aktuelle Einzelchip Version HICANN-X 512 analoge Neuronenschaltkreise. Diese Technologie bietet die Möglichkeit eine Art der Informationsverarbeitung zu erforschen, welche über die traditionelle von-Neumann Architektur hinaus geht. In dem Bestreben, einer breiten Menge von Experimentatoren aus verschiedenen Fachgebieten den Zugang zu diesem neuromorphen Substrat zu ermöglichen, bietet die bereichsspezifische Programmiersprache PyNN ein nützliches Mittel, um mit dem Chip zu kommunizieren. Sie ist zum Modellieren neuronaler Netzwerke konzipiert und wird von einer Vielzahl solcher Simulatoren, so wie anderen Hardware Backends eingesetzt. Das nutzerfreundliche und einheitliche Interface macht es Experimentatoren leicht, auch ohne spezifische Hardware Kenntnisse die BrainScaleS-2 Plattform zu verwenden und ihre Ergebnisse mit denen aus Software Simulationen zu vergleichen. In dieser Arbeit wurde die Implementierung von PyNN für HICANN-X absolviert und dessen Anwendbarkeit durch die Realisierung eines soft winner-take-all Netzwerkes gezeigt.

BrainScaleS-2 is an accelerated analogue neuromorphic system developed within the efforts of the European Human Brain Project at the Kirchhoff Institute for physics in Heidelberg. Targeted at emulating spiking neural networks as they can be found in the body’s nervous system, its current single chip version HICANN-X comprises 512 analogue neuron circuits. This technology offers the possibility to explore a way of information processing beyond the traditional von-Neumann architecture. Aspiring to grant a wide range of experimenters from different fields of research access to this neuromorphic substrate, the domain-specific programming language PyNN provides a useful tool to communicate with the chip. It is designed to model spiking neural networks and is employed by a variety of such simulators, as well as by other hardware backends. Offering a user-friendly and uniform interface, experimenters without specific hardware knowledge are encouraged to utilise the BrainScaleS-2 substrate and an easy comparison with results obtained by software simulations is possible. In this thesis the implementation of PyNN for HICANN-X has been carried out and its applicability has been proven by realising a soft winner-take-all network.