Thought Leadership
Herkömmliche Prozessoren verbrauchen am Edge zu viel Energie. Neue neuromorphe Chips arbeiten ereignisbasiert und lösen komplexe KI-Aufgaben stromsparend.
Die dezentrale Verarbeitung von Daten durch künstliche Intelligenz direkt am Entstehungsort, das sogenannte Edge-Computing, steht vor einer energetischen Barriere. Herkömmliche Prozessorarchitekturen wie zentrale Recheneinheiten (CPUs) und Grafikprozessoren (GPUs) stoßen bei komplexen KI-Aufgaben in ressourcenbeschränkten Umgebungen an ihre Leistungsgrenzen. Diese klassischen Systeme basieren auf der Von-Neumann-Architektur, bei der Daten kontinuierlich zwischen dem separaten Arbeitsspeicher und dem Prozessor hin- und hergeschoben werden müssen.
Dieser Prozess verbraucht erhebliche Mengen an Energie und erzeugt unvermeidbare Latenzen. Da Deep-Learning-Modelle im Dauerbetrieb kontinuierliche Matrixmultiplikationen über dichte Datenströme ausführen, benötigen Edge-Geräte oft feste Netzanbindungen oder klobige Kühlsysteme. Um autonome Sensoren, industrielle Messgeräte oder eingebettete Systeme langfristig autark zu betreiben, bedarf es einer grundlegenden Neuausrichtung der Hardware-Struktur.
Das biologische Vorbild der ereignisbasierten Informationsverarbeitung
Die Lösung für dieses Effizienzproblem liefert das neuromorphe Computing, das die Funktionsweise des menschlichen Gehirns in Silizium nachbildet. Während klassische Prozessoren in festen Taktzyklen arbeiten und Daten ununterbrochen verarbeiten, arbeiten neuromorphe Chips ereignisbasiert. Sie nutzen künstliche Spiking Neural Networks (SNNs), bei denen Informationen in Form von kurzen elektrischen Pulsen, sogenannten Spikes, übertragen werden.
Ein einzelner Netzknoten wird erst dann aktiv, wenn die Summe der eingehenden Signale einen vordefinierten Schwellenwert überschreitet. Solange sich an den Eingangessensoren keine relevanten Daten ändern, verharren die Schaltkreise in einem passiven Zustand und verbrauchen nahezu keine dynamische Energie. Diese spärliche Aktivierung, im Fachjargon Sparsity genannt, führt dazu, dass in der Praxis oft nur ein Bruchteil der gesamten Prozessorfläche gleichzeitig Strom aufnimmt. Das System rechnet im Ruhezustand fast ohne Energieaufwand, was eine fundamentale Abkehr von der kontinuierlichen Auslastung traditioneller Beschleunigerchips darstellt.
Architekturen von Intel Loihi 2 und BrainChip Akida am Edge
Auf dem Markt der neuromorphen Halbleiter haben sich verschiedene technische Ansätze etabliert. Intel nähert sich diesem Prinzip mit dem Forschungschip Loihi 2 auf digitaler Ebene. Dieser Chip wird im Intel 4-Prozess gefertigt und integriert bis zu eine Million spikende Neuronen sowie 120 Millionen Synapsen auf 128 programmierbaren neuromorphen Kernen. Loihi 2 vereint Rechenlogik und Speicher direkt innerhalb der einzelnen Kerne, wodurch der klassische Datenbus-Engpass entfällt. Das System unterstützt flexible Lernregeln auf dem Chip (On-Chip Learning) und ermöglicht die Verarbeitung asynchroner Signalstrukturen.
Ein kommerziell verfügbarer Vertreter dieser Technologie ist der Akida-Prozessor des Herstellers BrainChip. Akida ist als reiner digitaler SNN-Beschleuniger konzipiert, der sich über Standardschnittstellen wie PCIe oder I2C in bestehende Mikrocontroller-Umgebungen integrieren lässt. Die Architektur verarbeitet Sensordaten wie Audioströme, Vibrationsdaten oder Bildsignale direkt an der Quelle im Mikrowatt- bis Milliwattbereich. Da die Gewichtungen der neuronalen Verbindungen direkt auf dem Chip angepasst werden können, ist das System in der Lage, neue Muster im laufenden Betrieb ohne Verbindung zu einer Cloud-Infrastruktur zu erlernen.
Skalierung in den Rechenzentrums-Maßstab mit Hala Point
Dass neuromorphe Prinzipien nicht auf Kleinstgeräte beschränkt sind, demonstriert das Großsystem Hala Point, das Intel im April 2024 vorstellte und an den Sandia National Laboratories installierte. Hala Point bündelt 1152 Loihi 2 Prozessoren in einem Gehäuse von der Größe einer Mikrowelle. Das System verfügt über 1,15 Milliarden künstliche Neuronen und 128 Milliarden Synapsen, die über 140544 neuromorphen Kernen verteilt sind. Damit erreicht die Anlage eine neuronale Kapazität, die in etwa dem Gehirn einer Eule entspricht.
Die Leistungsdaten dieses Systems dokumentieren den Effizienzsprung gegenüber konventionellen Clustern. Hala Point kann bis zu 20 Petaops (Billarden Operationen pro Sekunde) ausführen. Bei der Ausführung herkömmlicher tiefer neuronaler Netze erreicht die Architektur eine Effizienz von über 15 Billionen Operationen pro Sekunde und Watt (TOPS/W). Obwohl das Gesamtsystem unter maximaler Volllast bis zu 2600 Watt aufnimmt, zeigen Laborberichte, dass für optimierte bio-inspirierte Architekturen bereits die Leistung einer Glühbirne reicht aus, um komplexe Optimierungsprobleme bis zu 50-mal schneller und mit 100-mal weniger Energieaufwand als vergleichbare GPU-Systeme zu berechnen.
Industrielle Praxisbeispiele von Qualitätskontrolle bis Fahrzeugsicherheit
Der praktische Nutzen dieser Technologie wird in empirischen Studien und industriellen Testreihen zunehmend sichtbar. In den Fabriken des Automobilherstellers BMW wurde der Einsatz von Intel Loihi 2 Chips zur automatisierten Bauteilprüfung erprobt. Bei der optischen Erkennung von Produktionsfehlern an Karosserieteilen konnte das neuromorphe System das erforderliche Zeitfenster für die Bildanalyse von zuvor 20 Millisekunden auf lediglich 2 Millisekunden reduzieren. Das adaptive Netzwerk passte sich den veränderten Lichtverhältnissen in der Fabrikhalle autonom an, ohne dass ein vollständiges Nachtraining des Modells erforderlich war.
Ein weiteres Anwendungsfeld liegt in der IT-Sicherheit von Fahrzeugnetzwerken. Eine im Rahmen der SPIE-Konferenz veröffentlichte wissenschaftliche Untersuchung analysierte die Erkennung von Anomalien auf dem Controller Area Network (CAN-Bus) von Kraftfahrzeugen. Das Forschungsteam implementierte ein Klassifikationsmodell sowohl auf Intels Loihi 2 als auch auf dem BrainChip Akida. Das neuromorphe System erreichte eine Erkennungsgenauigkeit von 89,64 Prozent bei Cyberangriffen (wie Denial-of-Service- und Injection-Attacken) und benötigte pro Inferenzschritt lediglich 0,17 Mikrojoule an Energie. Auch Accenture Labs nutzt neuromorphe Systeme zur Überwachung industrieller Infrastrukturen. Durch die Echtzeit-Analyse kontinuierlicher Vibrations- und Thermaldaten von Turbinen im Milliwattbereich konnten ungeplante Maschinenausfälle in Testumgebungen um 30 Prozent gesenkt werden.
Informationstechnische Integration über Software-Frameworks
Die größte Hürde für den breiten Einsatz im IT-Alltag war lange Zeit die mangelnde Kompatibilität zu bestehenden Software-Stacks der Datenwissenschaftler. Da klassische KI-Modelle auf kontinuierlichen mathematischen Funktionen basieren, lassen sie sich nicht ohne Zwischenschritte auf spikende Hardware übertragen. Zur Überwindung dieser Barriere wurde die quelloffene Software-Bibliothek Lava entwickelt. Lava dient als hardwareunabhängiges Framework, das es Entwicklern erlaubt, neuro-inspirierte Anwendungen zu schreiben, die sowohl auf neuromorphen Chips als auch auf klassischen CPU- und GPU-Simulatoren lauffähig sind.
Ergänzend dazu ermöglichen Werkzeuge wie die SNN-Toolbox die Konvertierung bereits trainierter künstlicher neuronaler Netze (CNNs) in ereignisbasierte Spiking Neural Networks. Diese Softwarewerkzeuge erlauben es IT-Sicherheitsmanagern und Enterprise-Architekten, bestehende KI-Modelle für Bild- oder Signalerkennung zu exportieren und für den Betrieb auf neuromorpher Edge-Hardware zu optimieren. Dadurch wird der Übergang von der rechenintensiven Cloud-Infrastruktur hin zu energieautarken, intelligenten Endgeräten in der industriellen Praxis ohne vollständige Neuentwicklung der Algorithmen realisierbar.
