Definition

Was sind gepulste neuronale Netze?

| Autor / Redakteur: Stefan Luber / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Ein gepulstes neuronales Netz, engl. Spiking Neural Network, ist eine besondere Form eines künstlichen neuronalen Netzes, das hinsichtlich Abläufe und Aufbau der Funktionsweise eines echten biologischen Gehirns sehr nahekommt. Es wird auch als neuronales Netz der dritten Generation bezeichnet. Gepulste neuronale Netze berücksichtigen die zeitlichen Komponenten der Neuronen-Impulse.

Die englische Bezeichnung für ein gepulstes neuronales Netz lautet Spiking Neural Network (SNN). Es handelt sich um eine besondere Form eines künstlichen neuronalen Netzes (KNN), das die Vorgänge echter biologischer Nervensysteme und Gehirne im Vergleich zu herkömmlichen neuronalen Netzen ähnlicher abbildet. Gepulste neuronale Netze werden auch als neuronale Netze der dritten Generation bezeichnet.

Die Besonderheit eines Spiking Neural Networks ist, dass die zeitlichen Komponenten der Neuronen-Impulse Berücksichtigung finden. Die Neuronen in einem gepulsten neuronalen Netz übermitteln Informationen mithilfe von Pulsen und Pulsfolgen (Spikes). Die Informationen sind beispielsweise in Form der Pulsrate (Frequenz) oder des Timings (zeitlicher Abstand) kodiert. Gepulste neuronale Netze gehen auf ein im Jahr 1952 veröffentlichtes wissenschaftliches Modell von Andrew Huxley und Alan Lloyd Hodgkin zurück. SNNs lassen sich trainieren und kommen für verschiedene Anwendungen Künstlicher Intelligenz (KI) wie Klassifizierungsaufgaben zum Einsatz. Sie haben aufgrund ihrer Funktionsweise einen geringeren Energiebedarf als herkömmliche neuronale Netze und eignen sich gut für die Hardwareumsetzung in neuromorphen Prozessoren.

Grundlagen

Grundsätzlich sind künstliche neuronale Netze dem Aufbau biologischer Gehirne nachempfunden. Sie bestehen aus verschiedenen Ebenen von Neuronen, die in einem abstrahierten mathematischen Modell auf bestimmte Art miteinander verbunden sind. Mithilfe der neuronalen Netze lassen sich Anwendungsprobleme aus den verschiedensten Bereichen auf Basis von Computerberechnungen lösen. Bevor sich die Netze zur Problemlösung einsetzen lassen, müssen sie trainiert werden.

Es existiert eine Vielzahl verschiedener Arten neuronaler Netze, beispielsweise abhängig von der Art und Richtung der Informationsflüsse wie Feedforward-Netze oder rückgekoppelte neuronale Netze (Feedback-Netze). Die Neuronen eines neuronalen Netzes nehmen Informationen als Muster oder Signale von anderen Neuronen oder von außen auf, verarbeiten sie auf eine bestimmte Art und geben das Ergebnis an andere Neuronen oder als Endergebnis aus.

Typische Neuronen-Arten sind Input-Neuronen, Hidden-Neuronen und Output-Neuronen. Die Neuronen sind untereinander über sogenannte Kanten verbunden, die unterschiedliche Gewichtungen haben können und dadurch unterschiedlichen Einfluss auf andere Neuronen ausüben. Das Besondere an gepulsten neuronalen Netzen ist, dass die zeitliche Komponente der Neuronen-Impulse beim Informationsaustausch Berücksichtigung findet.

Eigenschaften und Funktionsweise gepulster neuronaler Netze

Die zugrundeliegenden Mechanismen und Strukturen des gepulsten neuronalen Netzes sind ähnlich denen der herkömmlichen neuronalen Netze. Es handelt sich bei den Spiking Neural Networks um eine Evolution der künstlichen neuronalen Netze. Lediglich die Art der Kodierung der Informationen ist aufgrund der zeitlichen Berücksichtigung der Neuronen-Impulse anders. Zum Großteil lassen sich die prinzipiellen Lernregeln der künstlichen neuronalen Netze älterer Generationen auf die gepulsten neuronalen Netze übertragen.

Die verschiedenen Neuronen im gepulsten neuronalen Netz kommunizieren mit Pulsen miteinander. Die Informationen sind unter anderem in der zeitlichen Abfolge und Frequenz der Pulse (Pulsrate und Timing) kodiert. Vergleichbar mit biologischen Neuronen werden die Neuronen im SNN nur aktiv, wenn eine bestimmte Reizschwelle überschritten ist und sie tatsächlich benötigt werden. Dieses Verhalten ist der Grund für den geringeren Energiebedarf gepulster neuronaler Netze. Es existieren verschiedene Kodierungsverfahren, um die Information im zeitlichen Verhalten der Pulse abzubilden wie Frequence Coding, Temporal Coincidence Coding, Delay Coding oder Spatio-Temporal Coding.

Anwendungsbereiche gepulster neuronaler Netze

Wie für die herkömmlichen künstlichen neuronalen Netze bietet sich im Umfeld der Künstlichen Intelligenz auch für die gepulsten neuronalen Netze eine große Spanne an Anwendungsmöglichkeiten. Typische Aufgaben sind die Klassifizierung von Objekten und das Ziehen von Schlussfolgerungen nach vorherigem Training. Gepulste neuronale Netze kommen beispielsweise zum Einsatz

  • in der Finanzbranche,
  • in der Cyber Security,
  • in der Agrarbranche oder
  • in der Bilderkennung.

Vorteile gepulster neuronaler Netze

Durch die genauere Abbildung des Verhaltens biologischer Nervensysteme und Gehirne lassen sich mit gepulsten neuronalen Netzen verschiedene Aufgabenstellungen schnell und effizient lösen. Im Vergleich zu herkömmlichen neuronalen Netzen ist der Energiebedarf geringer und die Lösungsfähigkeit komplexer Aufgabenstellungen besser. Zudem eignen sich SNNs für die Hardwareintegration und erlauben die Abbildung des neuronalen Netzes in einem neuromorphen Prozessor.

Neuromorphe Prozessoren auf Basis gepulster neuronaler Netze

Gepulste neuronale Netze eignen sich gut für die Hardwareintegration. Die Netze lassen sich auf Halbleiterchips abbilden und ermöglichen die Nutzung hardwarebasierter Künstlicher Intelligenz in verschiedenen Geräten. Mithilfe sogenannter neuromorpher Prozessoren wird es möglich, Aufgabenstellungen schnell und effizient ohne externe Rechenkapazität direkt auf einem Gerät zu lösen. Diese Prozessoren sind kostengünstig und stromsparend. Sie eignen sich beispielsweise für Anwendungen im Edge-Bereich wie Fahrerassistenzsysteme, Drohnen, Roboter, Überwachungssysteme oder autonome Fahrzeuge. Durch Verknüpfung der Prozessoren miteinander ist die Leistung skalierbar.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46314693 / Definitionen)