Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Nr 22 2020 www markttechnik de 3 Aktuell Nachrichten basierten Chip zu entwickeln der für den Einsatz in Edge-Geräten geeignet ist Eigentlich sollte er bereits im letzten Jahr auf den Markt kommen Doch dann erkannte Mitgründer und CTO Peter van der Made dass die potenziellen Anwender mit einem reinen SNNChip wenig anfangen können weil sie CNNs gewöhnt sind Also hat sich Brainchip entschlossen auch CNN-Funktionen auf dem Akida zu integrieren »Deshalb haben wir die zusätzliche Entwicklungszeit von einem Jahr in Kauf genommen und MAC Arrays auf den Chip integriert« erklärte Peter van der Made gegenüber Markt&Technik Jetzt stünde die Markteinführung unmittelbar bevor »Wir rechnen im dritten Quartal 2020 mit Ingenieurmustern« so van der Made Als typische Werte für die Leistungsaufnahme nennt er für die Keyword-Erkennung 100 µW für eine typische Cybersecurity-Anwendung 20 mW und für eine Bildklassifizierung 156 mW Auf dem Chip sind neben dem SNN den MAC Arrays und dem CNNto-SNN Converter ein Prozessor für das Datenmanagement sowie 8 Mbit SRAM integriert »Damit sind wir auch die ersten die On-Chip Learning durchführen können was für Edge-Anwendungen besonders vorteilhaft ist« so Made Der Akida soll zwischen 15 und 20 Dollar kosten in größeren Stückzahlen 10 Dollar Auch das imec setzt auf SNNs und hat gerade einen SNNbasierten KI-Chip vorgestellt »Ihre Leistungsfähigkeit können diese SNNs am eindrucksvollsten in Antikollisionssystemen für Drohnen unter Beweis stellen« sagt Ilja Ocket Program Manager Neuromorphic & Cognitive Sensing vom imec Denn es gibt kaum einen anderen Anwendungsfall der so hohe Ansprüche an eine möglichst geringe Leistungsaufnahme stellt und gleichzeitig höchste Leistungsfähigkeit und Reaktionsschnelligkeit verlangt wie die batteriebetriebenen Drohnen »Die Drohnen werden also praktisch ohne Verzögerungen auf potenziell gefährliche Situationen reagieren können« so Ilja Ocket »Deshalb sehe ich unsere Technik als einen wichtigen Sprung nach vorne in der Entwicklung echter selbstlernender Systeme an « Gegenüber bisherigen Methoden erreicht der SNN-Chip eine um den Faktor 100 geringere Leistungsaufnahme und eine zehnmal geringere Latenz was es erlaube Entscheidungen in Echtzeit zu fällen Der Chip lässt sich darüber hinaus auf viele Einsatzfälle optimieren etwa für Elektrokardiografen für die Sprachverarbeitung oder auf andere Sensoren wie Sonar und Radar verschiedener Frequenzen Besonders erwähnt Ocket Mensch-Maschine-Schnittstellen Hier ließen sich Gesten sehr genau erkennen etwa ob sich nur die Finger einer Hand oder die ganze Hand bewege sodass Menschen Maschinen mithilfe von Gesten einfach steuern können Wie mächtig SNNs sind können die Anwender auch auf Basis des von Intel entwickelten Loihi erfahren Intel versteht Loihi als eine SNN-Plattform auf der sich SNNs bis hinunter zu Edge-Anwendungen erproben lassen »Hier können SNNs auf die Probleme der realen Welt angewendet werden« sagt Mike Davies Director des Neuromorphic Computing Lab von Intel Derzeit mangelt es aber an Algorithmen für SNNs »Unser Fortsetzung von Seite 1 Dem Gehirn Ziel ist es eine Software-Umgebung aufzubauen die es den Anwendern ermöglicht Chips auf Basis von SNNs einzusetzen ohne überhaupt wissen zu müssen dass sie auf Basis von SNNs arbeiten « Derzeit forschen nach seinen Angaben weltweit über 100 Gruppen auf Basis des Loihi »ein Drittel der Gruppen kommen aus Europa« so Mike Davies Bisher hätten die Versuche gezeigt dass ein enormes Potenzial in den SNNs stecke Latenz und Energieeffizienz ließen sich im Bereich mehrerer Größenordnungen gegenüber konkurrierenden Ansätzen steigern Erst kürzlich hat eine Gruppe von Wissenschaftlern in Nature Machine Intelligence gezeigt dass sich auf Basis des Loihi Geruchserkennung sehr viel effizienter durchführen lässt als über herkömmliches Machine Learning Die Wissenschaftler haben sich von der Architektur und der Arbeitsweise des Sektors im Gehirn von Säugetieren inspirieren lassen der für die Geruchswahrnehmung zuständig ist um daraus Algorithmen für das SNN abzuleiten Dass es derzeit an den Algorithmen mangelt hält auch Davies für eines der größten Probleme »Wenn wir diese Hürde nehmen könnten wäre das ein Game Changer « Ein Game Changer wäre es auch die SNNs nicht auf herkömmliche Transistoren abzubilden sondern memristive Elemente zu integrieren Damit kämen die neuromorphen Chips auch hinsichtlich ihrer Hardware dem biologischen Vorbild noch näher Weil es vor einigen Jahren sehr vielversprechend aussah nichtflüchtige Speicher auf Basis von Memristoren zu entwickeln um die FlashSpeicher abzulösen haben sich Startups in diesem Umfeld in erster Linie darauf konzentriert Jetzt fällt der Blick zunehmend auch auf die Entwicklung von künstlichen Synapsen Hier ist Dr Ilia Valov vom Peter-Grünberg-Institut PGI-7 des Forschungszentrums Jülich ein wichtiger Schritt gelungen um Memristoren zuverlässiger zu machen und ihre Eigenschaften durch das Einbringen von Fremdatomen in vorhersehbarer Weise einzustellen Es komme darauf an dass sich sehr genau steuern lässt wie hoch die Konzentration der Fremdatome ist Denn kleinste Konzentrationsunterschiede ändern das Verhalten einer solchen Synapse sehr stark »Jetzt wissen wir genau wann eine Synapse erregbar wird darin besteht der Durchbruch« erklärte Valov gegenüber Markt&Technik Weebit Nano ein Startup aus Israel setzt die Memristoren in erster Line für den Aufbau von Speicher-ICs ein CEO Coby Hanoch geht davon aus dass Weebit kommerzielle ReRAM-Speicher im Mai 2021 auf den Markt bringen wird Doch arbeitet Weebit in Kooperation mit dem CEA-Leti auch daran ein Spiking Neural Network auf Basis der ReRAMs zu entwickeln Auf der ISSCC 2020 hat Weebit das Spirit-Projekt demonstriert »Wir setzen zwar für die unmittelbare Zukunft auf die Speicher doch sehen wir etwas längerfristig sehr gute Chancen für SNNs auf Basis unserer Memristoren zumal wir für ihren Aufbau keine exotischen Materialien einsetzen sondern Siliziumdioxid Damit sind wir CMOSkompatibel und wettbewerbsfähig « ha n Dr Ilia Valov Forschungszentrum Jülich »Jetzt wissen wir genau wann eine Synapse erregbar wird darin besteht der Durchbruch « Bild imec