Neuromorphes Lernen ist ein Bereich der Künstlichen Intelligenz, der sich vom Aufbau und der Funktionsweise des menschlichen Gehirns inspirieren lässt, und im Gegensatz zu herkömmlichen Systemen, die auf symbolischen oder statistischen Modellen basieren, versuchen neuromorphe Systeme, die neuronale Architektur des Gehirns nachzuahmen. Neuromorphe Systeme bestehen dabei aus vielen miteinander verbundenen künstlichen Neuronen, die in Schichten organisiert sind, wobei es diese Architektur den Systemen ermöglicht, komplexe Muster und Beziehungen in Daten zu erkennen. Diese künstlichen Neuronen lernen durch lokale Regeln, die die Stärke der Verbindungen zwischen ihnen effizient und adaptiv an neue Informationen anzupassen. Neuromorphe Systeme verarbeiten Informationen in Form von Events, die den Zeitpunkt und die Stärke von Signalen in einzelnen Neuronen kodieren, um so schnell auf dynamische Änderungen in der Umgebung reagieren zu können. Darüber hinaus sind neuromorphe Systeme im Vergleich zu herkömmlichen Systemen künstlicher Intelligenz deutlich energieeffizienter, was daran liegt, dass sie die Rechenprozesse des Gehirns nachahmen, die im Vergleich zu digitalen Rechenprozessen sehr energieeffizient sind. Neuromorphe Systeme sind letztlich auch robuster gegenüber Rauschen und Störungen in den Daten, da sie auf verteilten Berechnungen basieren und nicht auf einem zentralen Prozessor. Ein weiterer Vorteil ist die Skalierbarkeit, denn solche Systeme können auf große Datenmengen und komplexe Aufgaben skaliert werden, was daran liegt, dass es ihre Architektur ihnen ermöglicht, Informationen parallel zu verarbeiten. Anwendungsbereiche des neuromorphen Lernens sind vor allem die Bild- und Spracherkennung, die Robotik und die Sensorik.
Neuromorphe Signalverarbeitung ist in den vergangenen Jahren als Alternative zu klassischen Signalverarbeitungsalgorithmen und -prozessen entwickelt worden, da solche Netzwerke auch die Kompensation von Nichtlinearitäten ermöglichen. Dabei verwendet die neuromorphe Signalverarbeitung einen fundamental anderen Ansatz, indem sie künstliche neuronale Netzwerke nutzt, in denen die Maschine trainiert wird, ein grundlegendes physikalisches Modell zu lernen, auf dem die Signalverarbeitung basiert. Es ist jedoch äußerst anspruchsvoll, solch ein maschinelles Lernverfahren für Echtzeitsignalverarbeitung bei den geforderten Datenraten zu implementieren. Dies wird zukünftig noch schwieriger werden, wenn die Datenraten weiterhin exponentiell ansteigen.
Als die ersten wissenschaftlichen Grundlagen für die aktuell verwendeten maschinellen Lernverfahren in den 1950er-Jahren entwickelt wurden, hatte man nur grobe Vorstellungen davon, wie das Lernen im Gehirn auf der Ebene der Neuronen funktioniert. Die Algorithmen, die daraus resultierten, sind unzweifelhaft sehr leistungsfähig, doch ebenso unzweifelhaft ist aber auch, dass diese Verfahren so, wie sie heutzutage implementiert sind, in der Natur nicht vorkommen.
Auf diesem Problem beruhen viele der Beschränkungen, denen die Künstliche Intelligenz heute noch unterliegt, wobei eine typische Schwachstelle von solchen Systemen etwa ihre Abhängigkeit von einer riesigen Menge an Lernbeispielen ist, aber auch ihre mangelnde Fähigkeit zu abstrahieren oder korrekt zu verallgemeinern. Auch die fehlende Einbettung in einen kontinuierlichen Zeitablauf ist ein Defizit aktueller Systeme, denn nur dann können das Lernen, die Anpassung an die Umgebung und das Handeln eng miteinander verwoben und von einem gemeinsamen inneren Zustand bestimmt und koordiniert werden. Erst wenn Maschinen diese Fähigkeiten besitzen, wird es ihnen möglich sein, selbstständig komplexe Aufgaben in einer natürlichen Umwelt zu übernehmen.
Insbesondere können solche Systeme bisher nicht kontinuierlich lernen und sich dadurch auch nicht wesentlich verbessern. Man versucht nun durch neuromorphe Chips in der Bionik und der Neuroinformatik etwa Prototypen für künstliche Sehsysteme, Geruchsdetektoren oder Taktgeber für naturnahe Bewegungsabläufe bei Robotern zu entwickeln. Gegenüber den normalen Prozessoren in der üblichen Computerhardware zeichnen sich neuromorphe Chips durch eine auf die Aufgabe hochspezialisierte Hardware aus, deren hervorstechendes Merkmal eine hohe Vernetzung mit diversen Rückkopplungen ist, d. h., es wird angestrebt auch die selbstorganisierende Entwicklung des Gehirns in diesen Schaltkreisen abzubilden. Die natürliche Verknüpfung der Nervenzellen ist aber im Gehirn nicht statisch festgelegt, sondern ändert sich fortwährend, denn jeden Tag werden im menschlichen Gehirn etwa zehn Prozent aller neuronalen Verbindungen aufgelöst und durch neue ersetzt. Welche der Verbindungen aufgelöst, welche schwächer oder stärker werden, bestimmen sehr viele äußere Bedingungen, von denen man bisher nur in Ansätzen Erkenntnisse besitzt. Fest steht, dass die Signale kompletter Nervenzellpopulationen räumliche und zeitliche Muster bilden und dass dieses gezielte Neu- und Umverdrahten der Verbindungen erlernt wird.
Baek et al. (2020) ist erstmals gelungen, die Funktionsweise von Neuronen des Gehirns mit Halbleitermaterialien nachzuahmen, indem man die Eigenschaften der Neuronen mit den Prinzipien von Biosensoren simulierte und einen klassischen Feldeffekttransistor so veränderte, dass ein künstlicher Neurotransistor entsteht. Der Vorteil einer solchen Architektur liegt in der gleichzeitigen Speicherung und Verarbeitung von Informationen in ein und demselben Bauelement, diese bei herkömmlicher Transistortechnik getrennt sind, was der Verarbeitungszeit und damit letztendlich auch der Leistungsfähigkeit Grenzen setzt. Dabei brachte man eine zähflüssige Substanz (Solgel) auf einen herkömmlichen Siliziumwafer mit den Schaltungen auf, wobei dieses Polymer aushärtet und zu einer porösen Keramik wird. Zwischen den Löchern der Keramik bewegen sich Ionen, die schwerer als Elektronen sind und nach einer Anregung langsamer auf ihre Position zurückspringen. Diese Verzögerung (Hysterese) ist dabei für den Speichereffekt verantwortlich. Je stärker der einzelne Transistor angeregt wird, umso eher öffnet er und lässt den Strom fließen, womit sich die entsprechende Verbindung verstärkt, d. h., das System lernt. Computer auf Basis solcher Chips wären sind präzise und schätzen mathematische Berechnungen eher als diese bis in die letzte Nachkommastelle zu berechnen. Ein Roboter mit solchen Prozessoren könnte damit beispielsweise laufen oder greifen lernen, ein optisches System besitzen und lernen, Zusammenhänge zu erkennen, und zwar alles, ohne Software entwickeln zu müssen. Diese Plastizität neuromorpher Computer, die der des menschlichen Gehirns ähnelt, können sich im laufenden Betrieb an veränderte Aufgabenstellungen anpassen und auch solche Probleme lösen, für die sie ursprünglich nicht programmiert wurden.
Literatur
Baek, Eunhye, Das, Nikhil Ranjan, Cannistraci, Carlo Vittorio, Rim, Taiuk, Bermúdez, Gilbert Santiago Cañón, Nych, Khrystyna, Cho, Hyeonsu, Kim, Kihyun, Baek, Chang-Ki, Makarov, Denys, Tetzlaff, Ronald, Chua, Leon, Baraban, Larysa & Cuniberti, Gianaurelio (2020). Intrinsic plasticity of silicon nanowire neurotransistors for dynamic memory and learning functions. Nature Electronics, doi:10.1038/s41928-020-0412-1.
Schemmel, J. (2020). Wie Maschinen das Lernen lernen.
WWW: https://www.scinexx.de/dossier/wie-maschinen-das-lernen-lernen/ (20-05-08)
Stangl, W. (2020). Stichwort: ‚Neuromorphe Chips‘. Online Lexikon für Psychologie und Pädagogik.
WWW: https://lexikon.stangl.eu/21921/neuromorphe-chips/ (20-05-08)