Bisherige Prozessoren, wie Computerprozessoren (CPUs), Grafikprozessoren (GPUs) und Mikrocontroller (MCUs) bilden seit Jahrzehnten die Grundlage für die digitale Datenverarbeitung. Diese Systeme basieren überwiegend auf Von-Neumann-Architekturen oder deren Variationen. Mit dem Aufkommen tiefer neuronaler Netze (Deep Neural Networks - DNNs) stoßen diese traditionellen Systeme jedoch an ihre Grenzen hinsichtlich Energieverbrauch und Verarbeitungsgeschwindigkeit. Neuromorphe Prozessoren (NPUs) gelten als Lösung für diese Herausforderungen, da ihre biologisch inspirierte Architektur grundlegende Unterschiede zu den etablierten Prozessorarten aufweist.

Die parallele Verarbeitungsstruktur und die Kolokalisierung von Recheneinheit und Speicher ermöglichen eine äußerst effiziente Durchführung von KI-Aufgaben auf diesen NPUs. Zudem ermöglicht die biologisch inspirierte Architektur das Ausführen neuartiger KI-Ansätze, wie beispielsweise Spiking Neural Networks (SNNs). SNNs sind eine spezielle Klasse von neuronalen Netzen, die die Funktionsweise des menschlichen Gehirns noch stärker nachahmen als die weit verbreiteten DNNs. Zu den grundlegenden Unterschieden gehören die ereignisbasierte Datenverarbeitung durch Spikes sowie die Fähigkeit, zeitliche Informationen zu erfassen. Dies verleiht SNNs in verschiedenen Anwendungen das Potenzial, leistungsfähiger und effizienter zu sein, was das gestiegene Forschungsinteresse in den letzten Jahren erklärt.

Bei der praktischen Einführung von SNNs und NPUs stoßen Industrieunternehmen auf erhebliche Hindernisse:

1. Schwierige Ausführung und Training
2. Fragmentierter SW und HW Markt und mangelnde Akzeptanz
3. Fehlende vereinheitlichte Methodik

Die Neuromorphic Computing Solutions Gruppe addressiert systematisch diese Herausforderungen bei der Entwicklung und Implementierung neuromorpher KI-Lösungen und deren industrieller Einführung.