Maschinen fühlen ihre Umgebung

Inspiriert von der Art und Weise der Informationsverarbeitung im menschlichen Gehirn wurden künstliche neuronale Netze im Rahmen des SENSEMAKER-Projektes auf rekonfigurierbarer Hardware implementiert.

Digitale Wirtschaft

Das Schlüsselelement dieser künstlichen neuronaler Netze ist die neuartige Struktur des Systems für die Informationsverarbeitung. Dies besteht aus einer Vielzahl optimal verbundener Verarbeitungseinheiten, sog. Neuronen, die parallel an der Lösung eines bestimmten Problems arbeiten. Neuronen mit Aktionspotenzial unterscheiden sich von herkömmlichen künstlichen neuronalen Netzen, da die Informationen über Aktionspotenziale anstatt variierende Auslösefrequenzen übertragen werden. Die SENSEMAKER-Projektpartner waren der Meinung, dass auf Aktionspotenzialen basierende neuronale Netze die für Echtzeitanwendungen erforderliche umfassende Dynamik ermöglichen könnten. Bei der Implementierung auf rekonfigurierbarer paralleler Hardware können neuronale Netz die Vorteile des zugrunde liegenden Parallelismus voll ausschöpfen und um ein Vielfaches schneller ausgeführt werden als Software-Simulationen. Die Entwicklung anwendungsspezifischer integrierter Schaltungen (Application Specific Integrated Circuit, ASIC) für neuronale Netze ist jedoch sowohl zeit- als auch kostenaufwendig. Forscher an der University of Ulster in Großbritannien haben sich deshalb auf feldprogrammierbare Gate-Arrays (Field Programmable Gate Arrays, FPGAs) konzentriert, bei denen die Anordnung von Logikkomponenten problemlos konfiguriert werden kann. Genauer gesagt kann ein aktualisierter Konfigurations-Bitstream direkt in das Gerät geladen werden, um die gewünschten Änderungen am System vorzunehmen. Um die Nutzung der Reaktionen eines biologisch plausiblen neuronalen Netzes zu ermöglichen, wurde eine Leitwert-basierte Version des Integrate & Fire-Neuronenmodells (I&F) auf einer FPGA-Plattform implementiert. Zudem wurde eine biologisch angepasste Form der von der Potenzialenstehung abhängigen Plastizität (Spike Timing-Dependant Plasticity, STDP) in die Hardware implementiert, um das neuronale Netz zu trainieren. Durch die vollständig parallele Implementierung dieses Modells ist die Anzahl der zu implementierenden Neuronen durch die Anzahl vorhandener Multiplikatoren begrenzt. Andererseits ermöglichen Architekturen mit Zeitmultiplexing einen optimalen Kompromiss zwischen Berechnungsgeschwindigkeit und Größe des neuronalen Netzes. Mit dem endgültigen System wurde eine Koordinatentransformation mit vielversprechenden Ergebnissen durchgeführt. Die Anwendung stellt einen Teil des SENSEMAKER-Projektes dar, mit dem Ziel ein Hardware-System zu entwickeln, mit dem multisensorische Daten vereint werden können und das zu einem gewissen Grad seine Umgebung wahrnehmen kann. Koordinatentransformationen wandeln Winkel eines haptischen Sensors (x, y) in Koordinaten um, die für die Erstellung einer haptischen Bilddarstellung des Suchraumes verwendet werden. Es hat sich jedoch gezeigt, dass für einen Echtzeitbetrieb weitere Verbesserungen der FPGA-basierten Implementierung erforderlich sind.

SenseMaker: A Multi-sensory, Task-specific, Adaptable perception System

Maschinen fühlen ihre Umgebung

Entdecken Sie Artikel in demselben Anwendungsbereich

Diese Seite teilen

Herunterladen