Kein Betriebssystem, kein Datenspeicher: „Neuromorphe“ Computer rechnen nach Art des Gehirns und vollbringen wundersame Dinge. Ihr Baukasten vergrößert sich schnell. Können sie die klassischen Supercomputer ersetzen?

Es ist verblüffend, wozu leistungsfähige Computer dank Künstlicher Intelligenz und Big Data heutzutage imstande sind. Sie können riesige Datenmengen verarbeiten, Gesichter und Sprache erkennen und sogar die Bedeutung gesprochener Worte richtig interpretieren. Sie sind Meister in Strategiespielen wie Schach und Go und sogar in der Lage, sich Witze und Kochrezepte auszudenken. Man traut den Computern sogar zu, unsere Autos künftig sicher durch den dichten Straßenverkehr zu steuern, medizinische Diagnosen zu stellen und industrielle Fertigungsprozesse zu revolutionieren. Diese technischen Umwälzungen setzten allerdings voraus, dass sich die Leistungsfähigkeit der Computerchips so rasant weiterentwickelt wie bisher.

Doch in der Mikroelektronik kommt die Miniaturisierungswelle, die bisher der Garant für die Beschleunigung der Rechengeschwindigkeit war, allmählich ins Stocken. Es fällt der Halbleiterindustrie immer schwerer, noch mehr Transistoren auf einem kaum daumennagelgroßen Siliziumchip unterzubringen. Zudem erweist sich die klassische, vom Computerpionier John von Neumann entworfene Computerarchitektur zunehmend als Flaschenhals. Weil Rechnen und Datenspeicherung in einem Prozessor traditionell räumlich getrennt voneinander ablaufen, müssen für jeden Rechenschritt die Daten über Leiterbahnen hin- und hertransportiert werden. Das kostet Zeit und Energie und heizt die Chips auf. Und je mehr Bauteile auf einem Chip sitzen, desto größer wird die freigesetzte Wärme. Moderne Computer benötigen deshalb aufwendige und teure Kühlsysteme. Entsprechend hoch ist der Energieverbrauch.

Flinke Schaltkreise nach Art der Neuronen

Mit neuen Materialien, besonderer Kühlung, vor allem unkonventionellen Computerarchitekturen versuchen die Forscher, die Engpässe zu umgehen und die Leistungsfähigkeit der Prozessoren weiter voranzutreiben. Dabei verlassen sie immer wieder auch den Pfad der etablierten Elektronik und holen sich Anregungen dort, wo man es zunächst nicht unbedingt erwarten würde: bei der Hirnforschung. Die Vision sind Computer, die Daten nach der Art eines Gehirns verarbeiten. Ein Forschungszweig ist entstanden, der als „Neuromorphic Computing“ bezeichnet wird.

Kompakt, schnell, fehlertolerant, lern- und anpassungsfähig sollen die „neuromorphen“ Systeme werden, vor allem sollen sie sparsam sein. Mit seinen hundert Milliarden Neuronen arbeitet das menschliche Gehirn überaus energieeffizient: Die Leistung entspricht einer 20-Watt-Glühbirne. Dreizehn Megawatt, so viel Leistung wie eine kleine Ortschaft mit einigen hundert Einwohnern, verschlingt dagegen der derzeit weltweit leistungsfähige Supercomputer „Summit“ von IBM am Oak Ridge National Laboratory. Und die Nummer „Eins“ auf der aktuellen Liste der 500 leistungsstärksten Rechnern ist dabei noch einer der sparsamsten.

Aus 160.000 künstlichen Neuronen besteht der neuromorphe Computerchip „Loihi“ von Intel. Er verarbeitet digitale Daten in ähnlicher Weise wie das Gehirn.

Inspiriert von den Fähigkeiten der natürlichen Rechenzentren, versuchen Wissenschaftler seit Jahren die Arbeitsweise des Gehirns nachzuahmen, die wie Neuronen auf elektrische Reize reagieren. Dazu verwenden sie die klassischen Bauelemente, also Transistoren, Kondensatoren und Widerstände, die sie miteinander verschalten. Mit der Zahl der künstlich geschaffenen Neuronen, steigt auch der Aufwand. Denn alle Silizium-Nervenzelle müssen möglichst parallel miteinander verschaltet werden, damit sie untereinander direkten Kontakt haben. Das Ergebnis sind sogenannte „neuromorphe Chips“. Waren solche Chips früher vor allem für Grundlagenforscher von Interesse, etwa um besser zu verstehen, wie das Gehirn arbeitet, haben große Computerhersteller inzwischen die Möglichkeiten erkannt, die in der neuromorphen Elektronik stecken.

Mustererkennung dank neuromorpher Logik

Vor vier Jahren überraschten Forscher des IBM-Forschungszentrums Almaden in San Jose die Community, als sie einen neuromorphen Chip – „TrueNorth“ – präsentierten, der schneller war als der beste Graphikprozessor und nur einen Bruchteil von dessen Energie verbrauchte. Mehr als fünf Milliarden Transistoren hatten Dharmendra Modha und seine Kollegen zu einer Million künstlicher Neuronen verdrahtet und über 256 Millionen Kontaktstellen miteinander verbunden. Statt pro Sekunde mehrere Milliarden Schaltvorgänge auszuführen, wie bei modernen Prozessoren üblich, „feuern“ die Silizium-Neuronen von TrueNorth nur dann, wenn sie neue Signale empfangen. Ein für biologische Systeme typisches Verhalten.

Der Supercomputer „Summit“ von IBM am Oak Ridge National Laboratory. Er verbraucht soviel Stom wie eine Ortschaft mit einigen hundert Einwohnern.

Die IBM-Forscher nutzen TrueNorth vor allem zur Bild- oder Formenerkennung und dazu, das Rauschen komplexer Daten zu analysieren. Noch ist die Herstellung des Prozessors aufwendig und teuer, so dass TrueNorth ein Nischendasein führt. Das könnte sich bald ändern. Unlängst hat der erste Computer mit sechzehn Prozessoren das Forschungslabor verlassen. Er steht zu Testzwecken am Lawrence Livermore National Laboratory in Berkeley und soll sich dort als Supercomputer bewähren, um Hackerangriffe auf das Datennetz schnell anhand auffälliger Fluktuationen im Datenstrom zu entlarven.Inzwischen haben auch andere Computerfirmen nachgezogen. So präsentierte Intel vor einem Jahr den Chip „Loihi“ mit 130.000 künstlichen Neuronen.

Für Johannes Schemmel, der selbst am Kirchhoff-Institut in Heidelberg an neuromorphen Chips forscht, sind TrueNorth und Loihi allerdings keine neuromorphen Chips im ursprünglichen Sinn. Denn sie basieren auf der Digitaltechnik und verarbeiten deshalb nur diskrete Spannungswerte. Sie würden ihr ganzes Potential erst richtig entfalten, wenn sie wie echte Neuronen auch analoge Signale verarbeiteten. So „feuert“ eine echte Nervenzelle erst, wenn ankommende Impulse, die von benachbarten Neuronen oder Rezeptoren stammen, eine bestimmte Reizschwelle – das Aktionspotential – überschreiten. Ein Verhalten, das Schemmel und seine Kollegen mit Transistoren, Kondensatoren und Widerständen möglichst naturgetreu nachzuahmen versuchen. Dabei interessieren sie sich nicht primär für den Bau leistungsfähiger Computerchips, sondern vielmehr dafür, welche grundlegenden Prozesse im Gehirn ablaufen, wenn es lernt.

Lernen, wie das Gehirn lernt

Im Rahmen des europäischen Human Brain Project haben die Forscher den neuromorphen Computerchip „BrainScaleS“ entwickelt. Er besteht typischerweise aus rund 200.000 Neuronen, die über mehr als 50 Millionen Synapsen direkt verknüpft sind. Zwanzig davon können sie mittlerweile kombinieren und so die Zahl der elementaren Bausteine auf vier Millionen Neuronen und eine Milliarde synaptische Verbindungen erhöhen.

Dieser Computer besteht aus 16 neuromorphen TrueNorth-Prozessoren

Alle Neuronen arbeiten parallel und können – das ist das Besondere – einzeln adressiert und kontrolliert werden. Dabei verarbeiten die Nervenzellen aus Silizium sowohl digitale als auch analoge elektrische Signale. Ist ein Spannungswert überschritten, feuern die Neuronen im Kollektiv.

Ein Datenspeicher und ein Betriebssystem ist nicht notwendig. Einzig das Einspeisen und Auslesen der elektrischen Signale erfolgt per Software über einen Computer. Einmal von außen durch einen Spannungspuls angestoßen, laufen alle Vorgänge in dem System selbständig ab. In ihren Versuchen variieren die Forscher um Schemmel beispielsweise die Höhe der Eingangssignale, sie verfolgen, wie sich die künstlichen Neuronen selbst organisieren und dabei Verbindungen zu den Nachbarn knüpfen oder wieder lösen.

In diesem Computer-Systemen stecken neuromorphe BrainScale-Chips

Dadurch wollen sie erforschen, was beim Lernen im Gehirn passiert. Dabei profitieren sie von der Geschwindigkeit des neuronalen Netzwerks. Prozesse, für die das Gehirn viele Stunden benötigt, dauern mit BrainScaleS nur wenige Minuten. Die Fähigkeiten der neuromorphen Chips können auch andere Forschergruppen im Rahmen des Human Brain Project für eigene Froschungsvorhaben nutzen.

Einen anderen vielversprechenden Weg, Nervenzellen und Synapsen nachzubilden, haben Wissenschaftler um Ilia Valov vom Forschungszentrums Jülich und der RWTH-Aachen eingeschlagen. Sie verwenden Bauteile, die erst seit gut zehn Jahren im Elektronikbaukasten zu finden sind: Memristoren. Dabei handelt es sich um aktive, die Eigenschaften eines elektrischen Widerstands und eines nichtflüchtigen Datenspeichers miteinander vereinen. Informationen können somit gleichzeitig verarbeitet und dauerhaft abgelegt werden. Weil der Widerstand sich über einen weiten Bereich variieren lässt, kann der Memristor analog oder digital betrieben werden.

Memristive Bauelemente haben viele Vorteile. Sie benötigen im Vergleich zu Transistoren deutlich weniger Platz und arbeiten wesentlich sparsamer und schneller als die klassischen Schalter – für Valov ein entscheidender Pluspunkt, um Memristoren künftig für den Bau neuromorpher Chips zu nutzen. Bei dem Memristor aus Jülich handelt es sich um einen etwa hundert Nanometer breiten Draht, der zwischen einer Silber- und einer Platinelektrode eingespannt ist.

Der Memristor aus Jülich unter dem Elektronenmikroskop (links). Silberionen (blau) wandern durch das hundert Nanometer dünne Filament (orange) und verändern dessen elektrisches Verhalten. Das Bauteil zeigt ein Verhalten wie man es von Synapsen kennt, über die Neuronen im Gehirn miteinander verschaltet sind.

Den Wert des elektrischen Widerstands variieren die Forscher über die Höhe der angelegten Spannung. Je nach Polung fließen Silberionen von der Silberelektrode auf der Drahtoberfläche in Richtung Platinelektrode und wieder zurück und verändern so dessen Leitfähigkeit. Das führt dazu, dass sich die Silberkonzentration in dem Filament variiert. Dadurch ergibt sich die Möglichkeit, den Draht binär zu betreiben, aber auch analog.

Ist die Leitfähigkeit zum Beispiel hoch, der Widerstand damit also entsprechend klein, entspricht das dem binären Zustand „Eins“. Ist die Leitfähigkeit niedrig, der Widerstand also hoch, ist die der Zustand „Null“ verwirklicht. Dazwischen gibt es noch zahlreiche Zwischeneinstellungen, wodurch der Memristor im analogen Modus genutzt werden kann. Die Forscher können Zustandsänderungen innerhalb weniger Nanosekunden herbeiführen. Wird die Spannung abgeschaltet, behält der Memristor seinen letzten Widerstandswert. Er ist zum Speicher geworden. Valov und seine Kollegen ist es gelungen, in den Nanodrähten alle memristive Funktionen zu vereinen. Auch habe sie dank eines robusten Designs das Dilemma überwinden können, dass sich die Bauteile bei hohen Stromstärken überhitzen und zerstört werden.

Memristoren für neuronale Netze

Noch sind die Bauteile aus Jülich zu empfindlich für die breite Anwendung als Datenspeicher oder als künstliche Neuronen. Valov und seine Kollegen suchen nach Materialien, mit denen sich robustere Memristoren bauen lassen. Dann wollen die Forscher auch darangehen, mehrere Bauelemente miteinander zu verschalten.

Wie das vor sich gehen könnte, haben jüngst Wissenschaftler von der University of Massachusetts in Amherst gezeigt. Sie konnten bereits unzählige memristive Bauteile zu einer dichten Matrix verschalten. Jedes Element war gezielt ansteuerbar und stand mit seinen nächsten Nachbarn in Kontakt. Von außen angestoßen, entwickelte das Geflecht erstaunliche Fähigkeiten: Es verhielt sich wie ein neuronales Netzwerk.

Ob die Forschungsanstrengungen dazu führen, dass neuromorphe Chips eines Tages, tatsächlich die Computertechnik revolutionieren, ist allerdings noch nicht ausgemacht. Ähnlich wie beim Quantencomputer haben die großen Computerfirmen bereits viele Millionen Dollar in die Hand genommen, um die Technik zur Anwendungsreife zu führen. Auch China zeigt mittlerweile großes Interesse. In Peking entsteht derzeit ein großes Forschungszentrum für Künstliche Intelligenz. Bis 2030 will man weltweit führend auf dem Gebiet der KI sein, so das erklärte Ziel. In Europa schlummert das Knowhow bislang noch weitgehend in den Forschungslabors. Mehr Finanzmittel und eine effizientere Forschungsförderung könnten Abhilfe schaffen.