Von neuromorpher Hardware bis zu intelligenter Sensorik

Die wechselseitige Bedeutung von Mikrosystemtechnik (MST) und Künstlicher Intelligenz (KI) stand im Fokus der Veranstaltung „Mikrosysteme für KI – KI für Mikrosysteme: von neuromorpher Hardware und intelligenter Sensorik“, die microTEC Südwest im Rahmen der Allianz Industrie 4.0 Baden-Württemberg auf die Beine gestellt hat.

MST für KI: Was sind die mikrosystemtechnischen Voraussetzungen für eine breite KI-Anwendung?

Wenn Methoden der Künstlichen Intelligenz flächendeckend und branchenübergreifend in die Anwendung kommen sollen, müssen nicht nur Softwareherausforderungen erfüllt werden. Auch die Hardware muss sich wesentlich, möglicherweise sogar disruptiv, weiterentwickeln. Heutige Rechnerarchitekturen weisen einen hohen Energieverbrauch auf. Insbesondere die Steigerung der Energieeffizienz ist die wesentliche Voraussetzung für eine breite KI-Anwendung. Eine neuartige Mikroelektronik ist notwendig, um neue, innovative Rechnerarchitekturen entwickeln zu können. Die Entwicklung neuromorpher Chips bietet hier z. B. einen aussichtsreichen Ansatz.

KI für MST: Wie können KI-Methoden die Mikrosystemtechnik innovativer machen?

Vernetzte und eingebettete Geräte steigen rasant in ihrer Zahl. Außerdem müssen sie in Echtzeit kommunizieren können. Um die Übertragung immer größerer Datenmengen beherrschen zu können, ist eine Datenverarbeitung am Gerät, also Edge Computing, zentral und Basis für z. B. intelligente Sensorik. In diesem Zuge rückt auch die KI immer näher an die Edge heran. Lokale, dezentrale Intelligenz bietet neuartige Chancen und Herausforderungen.

Hochkarätige Experten aus dem microTEC Südwest-Netzwerk haben beide Seiten beleuchtet und diskutiert. Für den ersten Themenblock, MST für KI, das eher noch ein Forschungsthema ist, waren das Institut für Mikroelektronik Stuttgart IMS CHIPS und das Fraunhofer Institut für Photonische Mikrosysteme IPMS eingeladen.

Mikroelektronik für KI – neuromorphe Hardware

Wie neuromorphe Computer die Prinzipien der biologischen Signalverarbeitung auf Hardware übertragen, stellte Dr. Christian Burwick (IMS CHIPS) dar. Die Motivation hinter der Entwicklung neuromorpher Strukturen ist vor allen Dingen die Energieeffizienz. Aber auch die Lernfähigkeit sowie die Robustheit gegenüber Störungen und Fehlern in den Daten sind ein großer Vorteil. Die Bausteine echter neuromorpher Hardware sind dabei an die biologische Signalverarbeitung angelehnt. So gibt es neben den Eingangssignalen (den „Neuronen“) eine Gewichtung der Signale, also quasi die Kopplung zwischen den „Neuronen“. Das ist auch die Grundstruktur der Schwellwert-Logik, die im Gegensatz zu klassischen Rechnerarchitekturen ein „neuronales“ Rechnen ermöglicht. Solche Schwellwertgatter werden meist analog realisiert. In den letzten Jahren sind Memristoren aufgekommen, welche Speicher und Verarbeitungsfunktion in einer Komponente realisieren. Sie sind Grundlage für Spiking Neuronal Networks, die quasi ein neuronales Netz durch eine Matrix von gewichteten Eingangssignalen nachbauen. Dabei ist der steuerbare Schalter das zentrale Element der Memristoren. Als Bauelement mit veränderlichem Widerstand ermöglicht er die Codierung der Spannungswerte. Verschiedene realisierte oder gar schon erhältliche neuromorphe Bauelemente und Architekturen wurden vorgestellt. Die Art der Hardware wird dabei wesentlich von der Anwendung bestimmt: von Großsystemen für die Simulation von Milliarden von Neuronen bis hin zu kleinformatigen Edge-Anwendungen mit Sensoranbindung.

Bauelemente-Technologien für neuromorphe Netzwerke

Anwendungen wie die Bildverarbeitung mit großen Datenmengen, das autonome Fahren, Industrie 4.0, die Medizintechnik oder die Computertomographie sind wesentliche Treiber für Edge AI und Advanced Computing, stellte Jörg Amelung (Fraunhofer IPMS) dar. [Edge AI: Datenverarbeitung auf Basis von KI-Methoden direkt im Endgerät] Edge AI kommt vor allen Dingen dann zum Tragen, wenn es um große Datenmengen geht, wie sie beispielsweise durch eine Vielzahl von Sensoren bei der Objektklassifizierung für das autonome Fahren anfallen. Eine Vorab-Klassifizierung bereits am Sensor kann die zu übertragenden Datenmengen erheblich reduzieren. Klassische Rechnerarchitekturen wie die Von-Neumann-Architektur stoßen bei der Übertragungsgeschwindigkeit über das Bus-System an ihre Grenzen. Mit einer neuartigen Bauelemente-Technologie kann dieser Engpass überwunden werden. Das Ziel sind Systeme mit einer geringen Leistungsaufnahme aber sehr hoher Rechenleistung. Zentral dabei ist die Rolle der Speicherelemente, vor allen Dingen ihre Verwendung als „Neuron“/“Synapse“. Ein Beispiel dafür sind Speicher auf der Basis von ferroelektrischen FET-Systemen (FeFET). Diese ermöglichen eine regelbare Spannungskurve und ein schnelles Schaltelement. Aus einer reinen Digitallogik wird also eher eine Analoglogik. Auf dieser Basis werden neue Rechnerkonzepte entwickelt, die hoch-effiziente Edge-Sensor-Anwendungen ermöglichen.

Für den zweiten Themenblock, KI für MST, der einen starken Anwendungsbezug hat, waren die Robert Bosch GmbH und die Balluff GmbH eingeladen.

Intelligente (MEMS-)Sensoren

MEMS-Sensoren sind immer noch die vorherrschende Technologie für Mobilität und Kommunikation, betonte Dr. André Kretschmann (Robert Bosch). Klassischerweise ermöglicht die Kombination mit programmierbaren Mikrocontrollern einfache Rechnungen und Datenverarbeitung im Sensor. Wird hingegen KI im Sensor selbst eingebaut, ergeben sich ganz neue Einsatzpotentiale. Die Vorteile sind neben dem geringeren Stromverbrauch und der geringeren Latenzzeit auch der Datenschutz, da Daten nicht mehr über die Cloud verteilt werden. Beispielsweise werden für Wearables und andere Big-Data-Anwendungen mehrachsige Sensoren verwendet, die mehrere Messgrößen aufnehmen können. Eine hoch personalisierte Anwendung für intelligente, mehrachsige Sensoren mit Edge AI ist das Fitness-Tracking. Zunächst wird beim Trainieren des KI-Sensors ein „Fingerabdruck“ erstellt, in dem Bewegungsprofile von Sporttreibenden erstellt werden. Dafür ist eine selbstlernende KI-Software notwendig. Beim nächsten Schritt, dem eigentlichen Fitness-Training, erkennt der Sensor dann die Bewegungsprofile und kann etwa Übungszyklen erkennen und analysieren. Durch Edge AI passt also das Endgerät/der Sensor sein Modell an den Benutzer an. Auch das Erstellen von Waldklima-Modellen und der Voraussage von Waldbränden sowie einer Vielzahl weiterer Anwendungen können mit Edge AI ausgestattete Sensor-Netzwerke ermöglichen.

Intelligente Sensorik für die Zustandsüberwachung

Florian Liebgott (Balluff) stellte dar, wie Sensoren zur Zustandsüberwachung (Condition Monitoring) komplette Anlagen und Fertigungssysteme überwachen. Dadurch können Maschinenausfälle reduziert und die Anlageneffizienz erhöht werden. Bei einer einfachen Schwellwert-Überwachung, beispielsweise einer Pumpe, reichen Sensoren mit einfacher Datenvorverarbeitung aus. Geht es jedoch über die Schwellwert-Überwachung hinaus, wird die Verwendung von Künstlicher Intelligenz notwendig. Ein anschauliches Anwendungsbeispiel hierfür ist die Klassifikation von Kaffeetypen in einem Kaffeeautomaten. Die Grundlage ist die Messung von Vibrationen beim Mahlen und Brühen des Kaffees. Diese Daten werden dann vorverarbeitet und mit Hilfe eines eindimensionalen Convolutional Neural Networks (1D-CNN) klassifiziert. Durch diese Methode können nicht nur die verschiedenen Kaffeesorten wie Espresso und Milchkaffee automatisch erkannt werden. Vor allen Dingen dient die Methode der Erkennung von Anomalien. So werden etwa Fehler im Brühprozess erkannt oder auch der Wartungsbedarf vorhergesagt, was wiederum insgesamt die Anlageneffizienz erhöht.

Fazit

In den Vorträgen ist sichtbar geworden, wie stark KI-Anwendungen mit der Entwicklung von Mikrosystemtechnik verknüpft sind, insbesondere von Mikroelektronik. Anwendungsfälle, in denen KI-Methoden zu innovativeren und intelligenteren, auf Mikrosystemtechnik beruhenden Produkten führen, wurden vorgestellt.

Die Diskussion im Anschluss an die Vorträge zeigte, dass der Zugang zu Trainingsdaten bzw. zu annotierten Daten eine große Herausforderung ist.

Die Experten neuromorpher Chips zeigten sich darin einig, dass bis zur kommerziellen Verfügbarkeit am Markt noch einige Jahre ins Land ziehen werden. Dann sind erste einfache Systeme realistisch. Den Standort Baden-Württemberg für diese Technologien schätzten sie aufgrund der starken Industrie und führenden Hochschulen und Forschungseinrichtungen positiv ein. Alle waren sich einig, dass es für Entwicklungen gemeinsame Anstrengungen deutschland-, wenn nicht sogar europaweit bedarf, um sich gegen China oder die USA zu positionieren. So finden sich typische Halbleiterfirmen rund um Dresden und weitere führende Unternehmen in Europa. An Grenzen stoßen die Firmen, wenn die Bandbreiten nicht ausreichen, um Anwendungen mit KI zu etablieren. Der geplante Innovationspark KI, der in Baden-Württemberg derzeit ausgeschrieben ist, eröffnet Chancen, am Standort Europa weiter aufzuholen.

Fachkräfte in diesem Bereich zu bekommen, stellt sich als schwieriges Unterfangen dar. Der Bedarf ist ungebrochen hoch und die akademische Ausbildung kommt derzeit nicht hinterher. Verständnis für KI sollte darüber hinaus über die Berufsausbildung vermittelt werden. Die Bandbreite der Kompetenzen rund um KI ist sehr hoch: Einerseits ist tiefes Wissen um die Entwicklung neuronaler Netze erforderlich, andererseits benötigt man technisches Verständnis zur Anwendung. Auf Systemebene sind dafür Generalisten gefragt.

Dr. Jana Heuer, Dr. Christine Neuy