Eine vom Gehirn inspirierte KI-Architektur steigert die Geschwindigkeit und senkt gleichzeitig den Stromverbrauch erheblich

Abstraktion über zwei Speicherpfade. Auf algorithmischer Ebene verwaltet jede Schicht einen gemeinsamen, niedrigdimensionalen Zustand, der langsame Kontextdynamiken erfasst und die schnelle Spike-Aktivität moduliert. Auf der Hardware-Seite spiegelt sich diese Trennung in einem heterogenen Beschleuniger wider, der den kompakten Zustand auf dem Chip speichert und spärliche sowie dichte Berechnungen für eine effiziente Ausführung zusammenführt. Quelle: Sun et al.

Spiking-Neuralnetzwerke (SNNs) sind KI-Modelle, die von der Kommunikationsweise biologischer Neuronen inspiriert sind. Im Gegensatz zu biologischen Neuronen, die Informationen über elektrische Impulse austauschen, basieren SNNs auf kurzen Signalen, die als „Spikes“ bezeichnet werden.

SNNs haben sich als vielversprechend für die Reduzierung des Stromverbrauchs erwiesen, da Entwickler sicherstellen können, dass Informationen nur dann verarbeitet werden, wenn bedeutende Veränderungen auftreten, anstatt kontinuierlich. Dies ist ein erheblicher Vorteil, da aktuelle KI-Systeme erhebliche Mengen an Energie verbrauchen.

Obwohl einige frühere SNNs vielversprechende Ergebnisse erzielten, haben sie oft Schwierigkeiten, über lange Zeiträume hinweg nützlichen Kontext beizubehalten. Diese Herausforderung wird besonders deutlich, wenn die Modelle nur über begrenzten Datenspeicher verfügen oder unter Energieeinschränkungen arbeiten.

Forscher am Imperial College London und an der ETH Zürich haben kürzlich gemeinsam entwickelte Hardware und Software vorgestellt, die diese Einschränkung überwinden könnte. Ihre Architektur, die in einem in „Nature Machine Intelligence“ veröffentlichten Artikel beschrieben wird, bewältigt Aufgaben mit langen Sequenzen effektiv, ist dabei energieeffizient und reduziert den Bedarf an Datenspeicher.

„Spiking-Neuralnetzwerke zeichnen sich durch ereignisgesteuerte Erfassung aus“, schrieben Pengfei Sun, Zhe Su und ihre Kollegen. „Dennoch bleibt es eine zentrale Herausforderung, den aufgabenspezifischen Kontext über lange Zeiträume hinweg sowohl algorithmisch als auch in der Hardware aufrechtzuerhalten und dabei strenge Energie- und Speicherbeschränkungen einzuhalten. Wir gehen dieses Problem durch ein gemeinsames Design von Algorithmus und Hardware an.“

Hardware-Design für die DMP-Architektur. Quelle: „Nature Machine Intelligence“ (2026). DOI: 10.1038/s42256-026-01255-3

Ein neuartiges, vom Gehirn inspiriertes Dual-Memory-System

Frühere Studien haben gezeigt, dass manche neuronalen Prozesse extrem schnell ablaufen, während andere langsamer sind, wodurch das Gehirn Informationen länger speichern kann. Die von Sun, Su und ihren Kollegen entwickelte Architektur ahmt diese Kombination aus schnellen und langsamen neuronalen Prozessen nach.

Das Team entwarf gemeinsam Software- und Hardwarekomponenten, die sich gegenseitig ergänzen und dabei auf Prinzipien der Schnell-Langsam-Organisation des Gehirns zurückgreifen. Die Software besteht aus einem mehrschichtigen SNN, das einen langsamen Speicherpfad mit schneller Spiking-Aktivität kombiniert.

„Auf Algorithmenebene führen wir, inspiriert von der schnell-langsamen Organisation der Großhirnrinde im Gehirn, ein neuronales Netzwerk mit einem expliziten langsamen Speicherpfad ein, das in Kombination mit schneller Spiking-Aktivität eine Architektur mit zwei Speicherpfaden ermöglicht. In dieser Architektur behält jede Schicht einen kompakten, niedrigdimensionalen Zustand bei, der die jüngste Aktivität zusammenfasst und die Spiking-Dynamik moduliert“, schrieben die Autoren.

„Dieses explizite Gedächtnis stabilisiert den Lernprozess und bewahrt gleichzeitig die ereignisgesteuerte Sparsität, wodurch bei Benchmarks mit langen Sequenzen eine wettbewerbsfähige Genauigkeit mit 40–60 % weniger Parametern als bei vergleichbaren, dem aktuellen Stand der Technik entsprechenden spikenden neuronalen Netzen erreicht wird.“

Ein wesentlicher Vorteil der Dual-Memory-Architektur besteht darin, dass sie eingehende Daten effizient verarbeitet und gleichzeitig wichtige, aufgabenspezifische Informationen in kompakter Form beibehält. Das Team entwickelte zudem spezielle Hardware, die für den Betrieb ihres SNN optimiert ist.

„Auf Hardware-Ebene führen wir eine ‚Near-Memory-Compute‘-Architektur ein, die die Vorteile der Dual-Memory-Pathway-Architektur voll ausschöpft, indem sie deren kompakten gemeinsamen Zustand beibehält und gleichzeitig den Datenfluss über heterogene, spärliche Spike- und dichte Speicherpfade hinweg optimiert“, schrieben Sun, Su und ihre Kollegen.

Erste Ergebnisse und mögliche Anwendungen in der Praxis

Die Forscher bewerteten ihr SNN und die gemeinsam entwickelte Hardware anhand einer Reihe von ersten Tests. Sie maßen die Geschwindigkeit bei der Ausführung von Aufgaben mit langen Sequenzen (Verarbeitung langer Datenströme), den Energieverbrauch und den Datendurchsatz innerhalb einer festgelegten Zeit.

„Die experimentellen Ergebnisse zeigen eine mehr als vierfache Steigerung des Durchsatzes und eine über fünffache Verbesserung der Energieeffizienz im Vergleich zu Implementierungen auf dem neuesten Stand der Technik“, schrieben die Autoren. „Zusammengenommen zeigen diese Beiträge, dass biologische Prinzipien als Leitfaden für funktionale Abstraktionen dienen können, die sowohl algorithmisch effektiv als auch hardwareeffizient sind, und schaffen so einen skalierbaren Co-Design-Rahmen für neuromorphe Echtzeitberechnungen und -lernprozesse.“

Das von Sun, Su und ihren Kollegen entwickelte neue SNN und die Hardware könnten weiter verfeinert und an einem breiteren Spektrum von Aufgaben getestet werden. In Zukunft könnten sie eine schnelle Analyse großer Datenmengen in Echtzeit unter Energieeinschränkungen ermöglichen. Dies wäre wertvoll für Anwendungen wie Robotik, tragbare Geräte, Edge-KI und Netzwerke aus mehreren miteinander verbundenen Sensoren.

Verfasst von unserer Autorin Ingrid Fadelli, redigiert von Gaby Clark sowie auf Fakten geprüft und lektoriert von Robert Egan – dieser Artikel ist das Ergebnis sorgfältiger menschlicher Arbeit. Wir sind auf Leser wie Sie angewiesen, um unabhängigen Wissenschaftsjournalismus am Leben zu erhalten. Wenn Ihnen diese Berichterstattung am Herzen liegt, ziehen Sie bitte eine Spende (gerne auch monatlich) in Betracht. Als Dankeschön erhalten Sie ein werbefreies Konto.