Ziel des Kooperationsprojekts:
Ziel dieses Projektes ist die Entwicklung von neuromorphischer Hardware mit
Memristor-basierten synaptischen Elementen welche in der Lage sind, aus sensorischen Stimuli zu lernen um die
eigene Funktion zu adaptieren. Das Projekt integriert hierfür neueste Entwicklungen von fünf führenden
europäischen Instituten in den Bereichen Neurowissenschaften, Nanotechnologie, Modellierung und
Schaltkreisdesign. Die nichtlineare Dynamik und Plastizität des vor kurzem realisierten Memristors
1,2
unterstützt
die Implementierung von biologienahen synaptischen Plastizitätsmechanismen wie Spike-Timing-Dependent-
Plasticity (STDP). Daher ist dieses extrem kompakte Schaltkreiselement ein ausgezeichneter Kandidat zur
Realisierung großer selbstadaptierender Netzwerke; ein Schritt in Richtung "autonomer kognitiver Systeme". Die
intrinsischen Eigenschaften biologischer Neurone und Synapsen sowie ihre Organisation in neuronalen Netzwerken
werden als Grundlage dienen um CMOS-basierte Neurone, memristive Grids, und ihre Integration in biologisch
realistische neuromophische Systeme zu optimieren. Schließlich sollen neuartige Konzepte der
Informationsverarbeitung für diese Rechenarchitekturen entwickelt und evaluiert werden.
Spezifische Beiträge der TU-Graz in diesem Kontext:
Biologische Systeme sind effizient, robust, adaptiv,
verlässlich und arbeiten in Echtzeit. Carver Mead war in den 1980ern einer der Ersten der neurobiologische
Prinzipien in analogen Schaltkreisen nachgeahmt hat
3
- die sogenannte neuromorphische Doktrin - und ähnliche
Ansätze zur Entwicklung von biologieinspirierten Systemen entstanden in der Folge. Die kognitiven Fähigkeiten
biologischer neuronaler Systeme aber konnten bis heute von künstlichen Rechenarchitekturen nicht erreicht werden.
Diese Situation kann teilweise durch das Fehlen fundierter Theorien über die Informationsverarbeitung und
Selbstorganisation in biologischen neuronalen Systemen erklärt werden. In den letzten Jahren haben neuartige
probabilistische Konzepte, basierend auf approximativer Inferenz und Sampling in neuronalen Netzwerken,
verstärktes Interesse in den Bereichen der Neurowissenschaften, Kognitionswissenschaften und Neuroinformatik
hervorgerufen.
4,5
So wurde etwa gezeigt, dass sich spikende neuronale Netzwerke durch STDP so
selbstorganisieren können, dass sie auf latente Ursachen (sogenannte hidden causes) ihrer sensorischen Inputs
schließen können.