1. Einleitung - FG Mikroelektronik, TU Berlin
1. Einleitung - FG Mikroelektronik, TU Berlin
1. Einleitung - FG Mikroelektronik, TU Berlin
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Kapitel 1 <strong>Einleitung</strong><br />
[Brau95], das in der Lage war, Buchstaben zu erkennen. Seitdem ist die Anzahl von<br />
untersuchten Modellen ständig gestiegen.<br />
Mit künstlichen neuronalen Netzen werden biologische neuronale Netze als<br />
informationsverarbeitende Systeme nachgeahmt. Dabei sind Eigenschaften wie<br />
Anpassungs- und Lernfähigkeit, Parallelverarbeitung, Nichtlinearität und ebenso<br />
Fehlertoleranz, die sich in der Robustheit eines Netzes bei Ausfall einzelner Knoten<br />
widerspiegelt, wünschenswert. Vorgezeichnet ist dieser Lösungsweg im biologischen<br />
Gehirn mit seinen relativ langsamen, nur begrenzt zuverlässigen, aber dafür überaus<br />
zahlreichen Nervenzellen (Neuronen), die über eine Vielzahl von Synapsen mit anderen<br />
Neuronen verbunden sind.<br />
Künstliche neuronale Netze enthalten die Neuronen als Berechnungsknoten,<br />
Informationen sind zwischen den Neuronen in Form von gewichteten Verbindungen<br />
abgelegt, die beim Lernvorgang nach bestimmten Regeln modifiziert werden. Ein<br />
neuronales Netz kann im allgemeinen nicht programmiert werden, sondern muss seine<br />
Abläufe trainieren. Im Unterschied zu klassischen Rechnern stellen diese Netze kein<br />
universell einsetzbares System dar, sie sind immer für eine Anwendung spezifiziert.<br />
Entsprechende Modelle neuronaler Netze lassen sich auf andere Anwendungen<br />
umkonfigurieren. Die Aufgabe kann komplex sein und wird schnell und zuverlässig erfüllt.<br />
Die bisher üblichen künstlichen neuronalen Netze basieren auf einfachen Neuronmodellen<br />
(z. B. Perzeptron). Es wurde nachgewiesen, dass solche mehrlagigen Perzeptron-<br />
Netze (MLP) in der Lage sind, alle berechenbaren Funktionen zu lösen, was zu einer hohen<br />
Akzeptanz dieser Netze führte [Nauck94]. Doch biologienah sind nur diejenige Netze, die<br />
die Informationen pulskodiert verarbeiten. Solche Netze heißen auch „spikende neuronale<br />
Netzwerke“ (engl. Spike-Processing Neural Networks).<br />
Am Institut für <strong>Mikroelektronik</strong> der <strong>TU</strong>-<strong>Berlin</strong> wird eine speicherorientierte Rechnerarchitektur<br />
für pulsverarbeitende Neuronale Netze entwickelt, die als Neurocomputer<br />
SPINN (Synapsen-Plastische Spikende Neuronale Netze) bezeichnet wird. SPINN soll die<br />
Simulation biologienaher Netzwerke mit einer Geschwindigkeit ermöglichen, die mit der<br />
von Superrechnern vergleichbar ist. Bei der Simulation wird eine Aktivierungswahrscheinlichkeit<br />
des Netzes von max. 1 % angenommen. Diese geringe Netzaktivität ist<br />
eine wesentliche Bedingung für eine Simulation in Echtzeit, die mit 1 ms Rechenzeit je<br />
Zeitschritt definiert ist und sich am biologischen Vorbild orientiert.<br />
Im Vergleich zu seinem Vorgänger NESPINN (Neurocomputer for Spike-Processing<br />
Neural Networks [Jahn96]) weist das SPINN-Modell einige neue Mekmale auf:<br />
SPINN-Chip: NTC/TNC-Modul 2