Neuromorphe Hardware – Energieeffiziente KI-Chips

Die Anwendung maschinellen Lernens in Embedded-Geräten liegt stark im Trend. Eine Vielzahl an KI-Chips ist angekündigt, erste Produkte für Embedded-KI sind auf dem Markt. Bisherige neuronale Netzwerkarchitekturen wie Deep Neural Networks erfordern komplexe Rechenleistungen und verzeichnen einen hohen Energieverbrauch. Neuromorphe Hardware dagegen setzt auf massive Parallelverarbeitung und führt Rechenvorgänge, zum Beispiel im Bereich des maschinellen Lernens, besonders schnell und energieeffizient aus. Effiziente Architekturen für neuromorphe Hardware sind daher mit Hinblick auf Rechenleistung, Energieverbrauch und Chipfläche ein entscheidender Faktor für einen breiten Einsatz neuronaler Netze in Embedded-Produkten.

Das Fraunhofer IIS stellt verschiedene neuromorphe Hardware-Architekturen vor. Darunter befinden sich neuartige Ansätze, die das menschlich arbeitende neuronale Netz näher an den Chip bringen.