1. Einleitung - FG Mikroelektronik, TU Berlin

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