Gehirn-Chip von IBM

IBMs neurosynaptischer Prozessor integriert 1 Million Neuronen mit 256 Millionen Synapsen (Bild: IBM Research)

Ein neuartiger Prozessor kann die Funktionsweise des Gehirns effizienter simulieren als gängige Chips

Der folgende Beitrag ist vor 2021 erschienen. Unsere Redaktion hat seither ein neues Leitbild und redaktionelle Standards. Weitere Informationen finden Sie hier.

Computer sind seit ihrer Erfindung fast immer nach dem Prinzip der Von-Neumann-Architektur aufgebaut: Eine Recheneinheit hier und ein Daten- und Befehls-Speicher da sind über ein Bussystem miteinander verbunden. Bei den zunächst üblichen Schaltgeschwindigkeiten fiel nicht auf, dass diese Verknüpfung einen Flaschenhals darstellt, der die Arbeit des gesamten Systems bremst. Moderne Prozessoren besitzen deshalb großes Caches On-Chip-Speicher als Caches und versuchen, zukünftig benötigte Daten und Befehle in einer ruhigen Mikrosekunde vorausschauend zu laden. Am Grundprinzip des Computers ändert das allerdings nichts.

Das Gehirn besitzt keine solche Aufteilung. Jedes Neuron ist Teil des Prozessors. Daten werden dort verarbeitet, wo sie gespeichert sind. Das stellt eine der Schwächen des Gehirns dar, weil sich die Datenbasis durch die Verarbeitung ändern kann. Man denke etwa an Erinnerungen, die bei jedem Aufruf nicht nur wiedergegeben werden, sondern sich auch in von ihrem Besitzer nicht feststellbaren Details ändern.

Seine Struktur ist aber auch eine große Stärke, die das Gehirn zu erstaunlichen Leistungen befähigt. Denn auf dem Papier scheint es im Vergleich zu heutigen Prozessoren allmählich ins Hintertreffen zu geraten. Es kann zwar auf rund 20 Milliarden Nervenzellen zurückgreifen, aber die leistungsstärksten Prozessoren sind auch schon bei einigen Milliarden Transistoren angekommen.

Sekundenschnell von einer Problemklasse zur nächsten wechseln

Und die Chips führen pro Sekunde Milliarden Rechenschritte aus - während das Gehirn umgerechnet eine Taktfrequenz von vielleicht 10 Hertz bietet. Trotzdem ist das Gehirn in vielen Bereichen bisher noch jedem Computer überlegen. Wenn es etwa darum geht, Muster zu erkennen, die zudem von einem Hintergrundrauschen gestört werden, erweist es sich als äußerst leistungsfähig. Und dabei kann es anders als ein speziell darauf trainierter Computer in Sekundenschnelle von einer Problemklasse zur nächsten wechseln.

Die Wissenschaft versucht schon lange, der Natur der dahinter steckenden Prozesse auf die Schliche zu kommen. Das ist zum einen mit funktioneller Magnetresonanzbildgebung (fMRT) möglich. Allerdings bekommt man hier nur grobe Einblicke über größere Zusammenhänge. Wie das Gehirn im Detail arbeitet, dafür stellen die Forscher Modelle auf.

Und wenn diese Modelle zu ähnlichen Ergebnissen führen wie die Realität, dann müssen es wohl gute Modelle sein. Zur Überprüfung benötigt man allerdings Computer - und hier zeigt sich schnell, dass deren andersartige Struktur eine effiziente Simulation des Gehirns verhindert.

Der "TrueNorth"-Chip

Das wollen jetzt IBM-Forscher mit ihrem "TrueNorth"-Chip ändern, den ein Paper im Wissenschaftsmagazin Science vorstellt. TrueNorth setzt das Modell der gepulsten neuronalen Netze (Spiking Neural Networks, SNN) in Silizium um.

In diesem Modell geben Neuronen ihre Aktivierung nicht in jedem Fall über die Synapsen weiter, sondern nur, wenn ein von den Eigenschaften des simulierten Neurons abhängiger Mindestwert überschritten wird. SNNs wird von den üblichen Modellen neuronaler Netze die größte Wirklichkeitsnähe zugeschrieben. Deshalb verspricht sich die Forschung auch viel davon, biologische Systeme damit zu simulieren. Das ist mit existierenden Prozessoren jedoch sehr aufwändig.

Der IBM-Chip setzt deshalb auf ein anderes Prinzip. Er besteht aus Grundbausteinen, in denen je 256 Eingabeleitungen (den Synapsen vergleichbar) auf 256 x 256 Wegen zu 256 Ausgabeleitungen (den Neuronen) führen. Jedes Neuron kann mit jeder Synapse auf dem Chip kommunizieren.

Die Eigenschaften von Neuronen und Synapsen können die Forscher dabei steuern. Das System ist hoch skalierbar, fehlertolerant und energieeffizient, da nur im Fall eines Feuerns der Neuronen Signale übertragen werden.

Das Ergebnis ist ein Chip, der 5,4 Milliarden Transistoren in 28-Nanometer-Technik umfasst. Diese Anzahl an Transistoren simuliert rund eine Million Neuronen. Über die Cores verteilt besitzt TrueNorth 428 Millionen Speicherbits, die unter anderem den Zustand von Synapsen und Neuronen festhalten. Verblüffend ist dabei die geringe Leistungsdichte von nur 20 mW pro Quadratzentimeter, die sonst eher 2000 bis 4000 Mal so hoch ist.

Leistungssprung bei allen Aufgaben rund um die Mustererkennung

Die Forscher haben einige bekannte SNN-Algorithmen auf TrueNorth umgesetzt. Bei der Motiverkennung in Bildern verbraucht der Chip zum Beispiel etwa 72 mW.

Würde man denselben Algorithmus auf einem modernen Computer nutzen, läge der Energieverbrauch 176.000 Mal so hoch. Die Wissenschaftler haben auch schon damit begonnen, mehrere TrueNorth-Chips zu verbinden und gemeinsam mit klassischen Computern einzusetzen.

Solche Hybridsysteme könnten einen Leistungssprung bei allen Aufgaben rund um die Mustererkennung auslösen. Gelingt es, auch noch die Synapsen live veränderbar zu machen (derzeit sind sie fest programmiert), könnten solche Rechner auch in Echtzeit lernen.