Eine dem menschlichen Gehirn nachempfundene Platine

Bildnachweis: agsandrew

Bildnachweis: agsandrew


Bioingenieure aus Stanford haben eine neue Leiterplatte entwickelt, die dem menschlichen Gehirn nachempfunden ist und möglicherweise neue Grenzen in der Robotik und Computertechnik eröffnet.

Bei aller Raffinesse verblassen Computer im Vergleich zum Gehirn. Der bescheidene Kortex der Maus zum Beispiel arbeitet 9.000 Mal schneller als eine PC-Simulation seiner Funktionen.


Der PC ist nicht nur langsamer, er braucht auch 40.000 Mal mehr Strom, um zu laufen, schreibt Kwabena Boahen, außerordentliche Professorin für Bioingenieurwesen in Stanford, in einem Artikel für dieVerfahren des IEEE.

„Aus rein energetischer Sicht ist das Gehirn kaum zu übertreffen“, sagt Boahen, der in seinem Artikel untersucht, wie „neuromorphe“ Forscher in den USA und Europa Silizium und Software verwenden, um elektronische Systeme zu bauen, die Neuronen und Synapsen nachahmen.

Boahen und sein Team haben Neurogrid entwickelt, eine Platine bestehend aus 16 kundenspezifischen „Neurocore“-Chips. Zusammen können diese 16 Chips 1 Million Neuronen und Milliarden synaptischer Verbindungen simulieren. Das Team hat diese Chips im Hinblick auf die Energieeffizienz entwickelt. Ihre Strategie bestand darin, es bestimmten Synapsen zu ermöglichen, Hardware-Schaltkreise zu teilen. Das Ergebnis war Neurogrid – ein Gerät von der Größe eines iPads, das um Größenordnungen mehr Neuronen und Synapsen simulieren kann als andere Gehirne, die die Leistung eines Tablet-Computers nachahmen.




Die National Institutes of Health finanzierten die Entwicklung dieses Millionen-Neuronen-Prototyps mit einem fünfjährigen Pioneer Award. Jetzt ist Boahen bereit für die nächsten Schritte – Kostensenkung und Erstellung von Compiler-Software, die es Ingenieuren und Informatikern ohne neurowissenschaftliche Kenntnisse ermöglichen würde, Probleme – wie die Steuerung eines humanoiden Roboters – mit Neurogrid zu lösen.

Seine Geschwindigkeits- und Niedrigenergieeigenschaften machen Neurogrid ideal für mehr als nur die Modellierung des menschlichen Gehirns. Boahen arbeitet mit anderen Stanford-Wissenschaftlern zusammen, um Gliedmaßen für gelähmte Menschen zu entwickeln, die von einem Neurocore-ähnlichen Chip gesteuert werden.

„Im Moment muss man wissen, wie das Gehirn arbeitet, um eines davon zu programmieren“, sagte Boahen und deutete auf die 40.000-Dollar-Prototypentafel auf dem Schreibtisch seines Büros in Stanford. „Wir wollen einen Neurocompiler entwickeln, damit man nichts über Synapsen und Neuronen wissen muss, um einen davon nutzen zu können.“

Gehirnferment


In seinem Artikel weist Boahen auf den größeren Kontext der neuromorphen Forschung hin, einschließlich des Human Brain Project der Europäischen Union, das darauf abzielt, ein menschliches Gehirn auf einem Supercomputer zu simulieren. Im Gegensatz dazu hat das US-amerikanische BRAIN-Projekt – kurz für Brain Research through Advancing Innovative Neurotechnologies – einen werkzeugbauenden Ansatz verfolgt, indem es Wissenschaftler, darunter viele in Stanford, herausforderte, neue Arten von Werkzeugen zu entwickeln, die die Aktivität von Tausenden oder sogar Millionen auslesen können von Neuronen im Gehirn sowie in komplexen Aktivitätsmustern schreiben.

Aus dem Gesamtbild herauszoomen konzentriert sich Boahens Artikel auf zwei mit Neurogrid vergleichbare Projekte, die versuchen, Gehirnfunktionen in Silizium und/oder Software zu modellieren.

Eine dieser Bemühungen ist das SyNAPSE-Projekt von IBM – kurz für Systems of Neuromorphic Adaptive Plastic Scalable Electronics. Wie der Name schon sagt, handelt es sich bei SyNAPSE um ein Neudesign von Chips mit dem Codenamen Golden Gate, um die Fähigkeit von Neuronen zu emulieren, viele synaptische Verbindungen herzustellen – eine Funktion, die dem Gehirn hilft, Probleme im Handumdrehen zu lösen. Derzeit besteht ein Golden Gate-Chip aus 256 digitalen Neuronen, von denen jedes mit 1.024 digitalen synaptischen Schaltkreisen ausgestattet ist, wobei IBM auf dem besten Weg ist, die Anzahl der Neuronen im System erheblich zu erhöhen.

Das BrainScale-Projekt der Universität Heidelberg hat das ehrgeizige Ziel, analoge Chips zu entwickeln, die das Verhalten von Neuronen und Synapsen nachahmen. Ihr HICANN-Chip – kurz für High Input Count Analog Neural Network – wäre der Kern eines Systems, das Gehirnsimulationen beschleunigen soll, um es Forschern zu ermöglichen, Arzneimittelinteraktionen zu modellieren, deren Abspielen in einem komprimierten Zeitrahmen Monate dauern könnte. Derzeit kann das HICANN-System 512 Neuronen emulieren, von denen jedes mit 224 synaptischen Schaltkreisen ausgestattet ist, mit einer Roadmap, um diese Hardwarebasis erheblich zu erweitern.


Jedes dieser Forschungsteams hat unterschiedliche technische Entscheidungen getroffen, beispielsweise ob jeder Hardware-Schaltkreis der Modellierung eines einzelnen neuronalen Elements (z. B. einer einzelnen Synapse) oder mehrerer (z Synapsen). Diese Entscheidungen haben zu unterschiedlichen Kompromissen in Bezug auf Fähigkeit und Leistung geführt.

In seiner Analyse erstellt Boahen eine einzige Metrik, um die Gesamtsystemkosten zu berücksichtigen – einschließlich der Größe des Chips, der Anzahl der simulierten Neuronen und des Stromverbrauchs.

Neurogrid war bei weitem die kostengünstigste Möglichkeit, Neuronen zu simulieren, im Einklang mit Boahens Ziel, ein System zu schaffen, das erschwinglich genug ist, um in der Forschung weit verbreitet zu sein.

Geschwindigkeit und Effizienz

Aber es liegt noch viel Arbeit vor uns. Jede der aktuellen Neurogrid-Platinen mit Millionen Neuronen kostet etwa 40.000 US-Dollar. Boahen hält dramatische Kostensenkungen für möglich. Neurogrid basiert auf 16 Neurocores, von denen jeder 65.536 Neuronen unterstützt. Diese Chips wurden mit 15 Jahre alten Fertigungstechnologien hergestellt.

Durch den Wechsel zu modernen Herstellungsverfahren und die Fertigung der Chips in großen Mengen konnte er die Kosten eines Neurocores um das 100-fache senken – was auf ein Millionen-Neuronen-Board für 400 US-Dollar pro Kopie hindeutet. Mit dieser billigeren Hardware und Compiler-Software, die die Konfiguration erleichtert, könnten diese neuromorphen Systeme zahlreiche Anwendungen finden.

Ein Chip, der so schnell und effizient wie das menschliche Gehirn ist, könnte beispielsweise Gliedmaßen mit der Geschwindigkeit und Komplexität unserer eigenen Handlungen antreiben – aber ohne an eine Stromquelle gebunden zu sein. Krishna Shenoy, Professorin für Elektrotechnik in Stanford und Boahens Nachbarin am interdisziplinären Bio-X-Zentrum, entwickelt Methoden zum Lesen von Gehirnsignalen, um Bewegungen zu verstehen. Boahen stellt sich einen Neurocore-ähnlichen Chip vor, der in das Gehirn einer gelähmten Person implantiert werden könnte, diese beabsichtigten Bewegungen interpretiert und in Befehle für Prothesen übersetzt, ohne das Gehirn zu überhitzen.

Eine kleine Armprothese in Boahens Labor wird derzeit von Neurogrid gesteuert, um Bewegungsbefehle in Echtzeit auszuführen. Im Moment sieht es nicht nach viel aus, aber seine einfachen Hebel und Gelenke bergen Hoffnung auf Roboterglieder der Zukunft.

Natürlich werden all diese neuromorphen Bemühungen durch die Komplexität und Effizienz des menschlichen Gehirns erschwert.

In seinem Artikel stellt Boahen fest, dass Neurogrid etwa 100.000 Mal energieeffizienter ist als eine PC-Simulation von 1 Million Neuronen. Dennoch ist es ein Energiefresser im Vergleich zu unserer biologischen CPU.

„Das menschliche Gehirn mit 80.000 Mal mehr Neuronen als Neurogrid verbraucht nur dreimal so viel Energie“, schreibt Boahen. „Dieses Maß an Energieeffizienz zu erreichen und gleichzeitig eine größere Konfigurierbarkeit und Skalierbarkeit zu bieten, ist die ultimative Herausforderung für neuromorphe Ingenieure.“

Über Stanford