Effizienzsteigerungen bei Berechnungen mithilfe neuronaler Netze
Beim neuromorphen Rechnen wird Hardware verwendet, die auf der Struktur, den Prozessen und Kapazitäten von Neuronen und Synapsen basiert, die in biologischen Gehirnen zu finden sind. In der Pionierforschung wird die Ansicht vertreten, dass dieser Ansatz eine energieeffiziente Alternative zu herkömmlichen Computerarchitekturen darstellen könnte. Potenzielle Anwendungen wurden bereits in verschiedenen Bereichen ermittelt, darunter künstliche Intelligenz (KI), Robotik und autonome Systeme. Für eine erfolgreiche Markteinführung in großem Maßstab müssen allerdings noch einige Herausforderungen bewältigt werden.
Grenzen neuromorpher Computer überwinden
Ziel des EU-finanzierten Projekts PlasmoniAC war es, Möglichkeiten zur Überwindung einiger dieser Probleme zu finden. „Wir wollten die inhärenten Effizienzbeschränkungen neuromorpher elektronischer Rechensysteme angehen“, erklärt PlasmoniAC-Projektkoordinator Nikos Pleros von der Aristoteles-Universität Thessaloniki in Griechenland. „Dazu gehören Geschwindigkeits- und Leistungsbeschränkungen sowie Schwierigkeiten bei der Verbindung mit elektronischen Analogprozessoren.“ Zu diesem Zweck wurden projektintern Materialien auf der Grundlage von Plasmonik entwickelt. Dabei handelt es sich um ein hochmodernes Forschungsgebiet, in dem sich Forschende mit der resonanten Wechselwirkung zwischen elektromagnetischer Strahlung und freien Elektronen an der Grenzfläche zwischen einem Metall und einem dielektrischen Material wie Luft oder Glas beschäftigen. Diese Wechselwirkung erzeugt Wellen der Elektronendichte, die als Plasmonen bzw. Oberflächenplasmonen bezeichnet werden. Das Projektteam von PlasmoniAC war der Ansicht, dass die Entwicklung neuer plasmonischer Materialien und Technologien entscheidend für die Optimierung der Rechenleistung, Größe und Energie neuromorpher Chips sein könnte und dazu beitragen könnte, die Effizienz neuromorpher Computer zu steigern.
Durch Experimente validierte plasmonische Prototypen
Das Projektteam erforschte zunächst das Potenzial verschiedener neuartiger plasmonischer Materialien für den Einsatz in der neuromorphen Datenverarbeitung. Dazu zählen Materialien wie Bariumtitanat, plasmonische organische Hybride und Titandioxid. Modelle des tiefen Lernens wurden ebenfalls angepasst. Das Projektteam entwickelte eine neue Klasse von optik-informierten Modellen und Architekturen des tiefen Lernens, die dann in PlasmoniAC-Prototypen validiert wurden. „Wir waren in der Lage, die Leistung dieser Architekturen und Prototypen zu bewerten, indem wir eine breite Palette von Datensätzen des tiefen Lernens einsetzten“, fügt Pleros hinzu. „Diese Datensätze umfassten Bilderkennung, Überwachung des Netzwerkverkehrs im Bereich der Cybersicherheit und optische Kommunikation.“
Neue Hardwarekomponenten vermarkten
Die erfolgreiche Untersuchung und Erprobung verschiedener plasmonischer Materialien im Rahmen des Projekts hat dazu beigetragen, den Weg für die Entwicklung neuer Computerkomponenten zu ebnen, die in der Lage sind, ihre elektronischen Pendants in Bezug auf ihre Energieeffizienz deutlich zu übertreffen. Außerdem wurde ein neuartiger Rahmen erschaffen, mit dem sich eingehende Bedrohungen der Cybersicherheit im Netz erkennen lassen. „Der Erfolg dieser Aktivitäten hat bereits zur Gründung von zwei Spin-offs geführt“, sagt Pleros. „Ziel ist es, die von uns erschlossenen Materialtechnologien, wie z. B. Bariumtitanat-Modulatoren, zu vermarkten.“ Diese Pionierarbeit auf dem Gebiet des neuromorphen Rechnens und der Cybersicherheit von KI-Netzwerken hat außerdem zur Anmeldung von vier amerikanischen Patenten geführt, die den Weg für eine künftige kommerzielle Nutzung ebnen könnten. „Ein wichtiger Beitrag dieses Projekts bestand darin, die Realisierbarkeit theoretischer Pläne für neuromorphes Rechnen aufzuzeigen“, so Pleros. „Wir konnten zudem einige der technischen und architektonischen Herausforderungen angehen, die überwunden werden müssen, um diese Technologie aus dem Labor in praktische Anwendungen zu bringen.“
Schlüsselbegriffe
PlasmoniAC, neuromorph, Rechnen, Datenverarbeitung, Synapsen, neuronal, KI, plasmonisch
