NeMoH

NeuroMorphe Hardware

Im Verbundprojekt Mikroelektronik für KI – Neurmorphe Hardware erforschen und und entwickeln Mitglieder der Innovationsallianz Baden-Württemberg gemeinsam lernfähige sowie sichere und energieeffiziente KI-Chips. Diese gelten inzwischen als zentrale Bausteine für Anwendungen aus den Bereichen der Industrie 4.0 und dem Internet der Dinge. Gefördert wird das Projekt mit einer Laufzeit von 2 Jahren durch das Land Baden-Württemberg.

Das Internet der Dinge ist ohne die Vielzahl von eingebetteten Systemen die messen, steuern und regeln kaum denkbar. Echtzeitfähigkeit bei automatisierten Anwendungen ist inzwischen eine Selbstverständlichkeit. Gewaltige Datenmengen, kreiert von unterschiedlichsten Anwendungen werden mit Ansätzen des maschinellen Lernens verarbeitet, um daraus den Systemzustand abzuleiten oder wichtige Kenngrößen zu generieren. Big Data erfordert leistungsfähige Systeme, oft ganze Rechencluster. Anwendungen im Bereich der Industrie 4.0 und dem Internet der Dinge  erfordern hingegen eine intelligente Datenerfassung, Signalaufbereitung und Datenreduktion bereits an Ort und Stelle – bestenfalls direkt am Sensor. Ziel des Forschungsvorhabens ist die Entwicklung von sicherer, energieeffizieter und praxistauglicher KI-unterstützer Mikroelektronik für eine ressourcenschonende Vor-Ort-Verarbeitung von Daten.

Neuromorphe Hardware beschreibt hochgradig vernetzte und parallel arbeitende Recheneinheiten, die in ihrem Zusammenspiel dem biologischen Vorbild, dem Gehirn nachempfunden sind.  Künstliche Neuronale Netze (KNN) lassen sich überall dort erfolgreich einsetzen, wo ein Problem nicht ausreichend mathematisch beschrieben werden kann oder wenn es zu viele Eingabedaten mit zu vielen Variablen gibt. Große Datenmengen mit vielen Einflussfaktoren können durch KNN strukturiert werden. Typische Anwendungen von Neuronalen Netzen liegen daher in der Mustererkennung und Klassifizierung von Eingabedaten. Ein trainiertes Netz ist in der Lage, für neue und unbekannte Eingangssignale eine Entscheidung auf Basis bisher gelernter Daten zu treffen.