✨ AI Kontextualisierung
Das menschliche Gehirn verarbeitet Informationen nicht als Bits, sondern nutzt Impulse (kurze elektrische Signale oder Spikes). Entscheidend ist dabei, wann so ein Impuls auftritt – denn der exakte Zeitpunkt überträgt die eigentliche Information. Dadurch kann das Gehirn mehr und komplexere Informationen pro Signal transportieren, als ein digitales Bit, das nur „0“ oder „1“ kennt. Die Zeit zwischen den Spikes enthält deutlich mehr Informationsgehalt, und das macht diese Methode effizienter für bestimmte Aufgaben – zum Beispiel um Muster oder Abläufe in Echtzeit zu erkennen. In der Technik werden solche Konzepte im „Neuromorphic Computing“ (NC) durch sogenannte Spiking Neural Networks (SNN) nachgebildet.
„Unser Ziel ist es, Systeme zu entwickeln, die biologische Strukturen und Prozesse nachbilden – mit minimalem Energiebedarf und maximaler Reaktionsfähigkeit“, erklärt Bernhard A. Moser, Technology and Innovation Manager am SCCH. „Einsatzbereiche sind u. a. Robotik, Medizintechnik oder Umwelt-Monitoring.“
Vorurteile bei Neuromorphic Computing
Trotz des zunehmenden Interesses an Neuromorphic Computing halten sich, laut den Forschern, nach wie vor einige hartnäckige Vorurteile, wie z.B. dass man teure, spezielle Hardware brauche, dass es langsamer sei als klassische Verfahren oder dass es an industrieller Reife fehle. „Wir zeigen, dass viele dieser Annahmen überholt sind. Erstens bietet NC nicht nur enormes Potential im Hinblick auf Energieeffizienz, sondern auch in Sachen Geschwindigkeit. Zweitens demonstrieren wir, dass NC keineswegs auf spezielle analoge Hardware beschränkt ist, sondern auch gewinnbringend auf Standard-Hardware-Plattformen eingesetzt werden kann“, sagt Thomas Buchegger, Standortleiter von SAL in Linz.
Eine neue Studie scheint das an einem Beispiel aus der Medizin zu bestätigen: Forschende der Johannes Kepler Universität (JKU), der SAL, des SCCH und der TU Graz haben gemeinsam untersucht, wie sich EKG-Daten effizienter erfassen und verarbeiten lassen. Dabei konnten sie über 80 Prozent der Datenmenge einsparen, ohne dass die Qualität der Analyse leide – mit weniger Speicherbedarf bei gleicher Genauigkeit.
Weltrekord und Patent
Seit Beginn ihrer Kooperation konnten die Partner zudem einige Erfolge erzielen:
Weltrekord
Mit einem neuen Demonstrator haben Forschende erfolgreich gezeigt, wie man sogenannte Spiking Neural Networks (SNN) – eine besondere Art von künstlichen neuronalen Netzwerken – besonders schnell auf gängigen FPGA-Systemen betreiben kann. FPGA steht für „Field Programmable Gate Array“ und beschreibt einen flexiblen, anpassbaren Computerchip, der häufig in der Technik eingesetzt wird.
„Mit unserem Verfahren können wir über 2,5 Millionen Bilder pro Sekunde verarbeiten – das ist mehr als 100 Mal schneller als bisherige Systeme mit der gleichen Hardware und den gleichen Daten“, erklärt Michael Lunglmayr vom Institut für Signalverarbeitung der JKU. „Zudem arbeitet unser System sehr energiesparend und erreicht eine Effizienz von mehr als drei Millionen Bildern pro Sekunde pro Watt.“
Patent angemeldet
Eine neue Erfindung zur besonders energiesparenden Datenerfassung wurde zudem bereits zum Patent angemeldet. Dabei kommen neuromorphe Prinzipien zum Einsatz, die von der Funktionsweise des menschlichen Gehirns inspiriert sind.
Organisation eines internationalen Wettbewerbs
Im September 2025 findet in Alaska die wichtige IEEE-Konferenz zur Bildverarbeitung (ICIP) statt. Dabei organisiert das Forschungsteam einen internationalen Wettbewerb unter dem Motto „Wenig Energie, hohe Geschwindigkeit“. Ziel ist es, die besten Lösungen für eine besonders sparsame und schnelle KI zu finden.
Moser dazu: „Wir freuen uns sehr auf die Challenge. Die große Resonanz aus der Fachwelt zeigt, wie viel Kreativität und Innovationsgeist in diesem Bereich stecken.“
