Das Gehirn als Vorbild: Wie neuromorphe Chips KI effizienter machen

Dr. Markus Eppel (Bildquelle: Fraunhofer-Institut für Integrierte Schaltungen IIS)

Der Energiebedarf künstlicher Intelligenz steigt rasant, während klassische Computerchips zunehmend an ihre Effizienzgrenzen stoßen. Könnten neuromorphe Chips, die der Arbeitsweise des menschlichen Gehirns nachempfunden sind, KI deutlich sparsamer machen? Im Interview erklärt Fraunhofer-Forscher Dr. Markus Eppel, welches Potenzial die junge Technologie für verschiedene Anwendungen hat.

AGEV: Stoßen die heute üblichen Computerchips bald an ihre Grenzen?

Dr. Markus Eppel: Das tun sie heute schon, und zwar in mehrfacher Hinsicht. Die großen Sprach- und Reasoning-Modelle, die die öffentliche Wahrnehmung von KI prägen, laufen fast ausschließlich in Rechenzentren. Deren Stromverbrauch lag 2024 laut Internationaler Energieagentur bei rund 415 Terawattstunden, etwa 1,5 Prozent des weltweiten Stroms. Bis 2030 soll er sich auf rund 945 Terawattstunden mehr als verdoppeln, wichtigster Treiber ist KI.

Gleichzeitig brauchen KI-Rechenzentren enorme Mengen an Speicherchips. Weil die Hersteller ihre Produktion auf Hochleistungsspeicher für KI umstellen, wird Arbeitsspeicher auch für PCs und Smartphones knapp. Analysten von J.P. Morgan erwarten, dass DRAM-Preise von Anfang 2024 bis Ende 2026 um mehr als 400 Prozent steigen.

Der Kern des Problems liegt in der Architektur. Fast alle heutigen Chips trennen Speicher und Recheneinheit, das sogenannte „von-Neumann-Prinzip“. KI muss für jede Berechnung riesige Mengen an Modellparametern aus dem Speicher holen. Dieser Datentransport kostet oft mehr Energie als die eigentliche Rechnung. Fachleute sprechen von der „Memory Wall“.

Die Hersteller reagieren mit immer effizienteren Systemen. Nvidia gibt für seine neue Plattform „Vera Rubin“ an, beim Betrieb großer Sprachmodelle bis zu zehnmal mehr Leistung pro Watt zu erreichen als der Vorgänger. Ein Großteil davon stammt aus dem Zusammenspiel von Chips, Speicher, Vernetzung und Software. Der einzelne Chip allein legt deutlich weniger zu. Trotzdem steigt der Stromverbrauch insgesamt weiter. Reasoning-Modelle und KI-Agenten benötigen für eine einzige Antwort ein Vielfaches an Rechenschritten, und ihre Nutzung wächst rasant. Wird Rechnen günstiger, wird mehr gerechnet: ein klassischer Rebound-Effekt, der die bisherigen Effizienzgewinne der Hardware mehr als auffrisst. Deshalb brauchen wir Rechenansätze, die die Effizienz um Größenordnungen steigern. Neuromorphe Hardware könnte eine Antwort sein.

AGEV: Wie funktionieren neuromorphe Chips, und wird KI dadurch energieeffizienter?

Dr. Markus Eppel: Den einen neuromorphen Chip gibt es streng genommen nicht. Es gibt eine große Vielzahl von Ansätzen, vom digitalen über das analoge Rechnen. Es gibt aber auch Gemeinsamkeiten. Sieht man das Wort „neuromorph“ vor sich, erkennt man die Bestandteile „Neuro“ wie Neuron und „-morph“ wie Morphologie. Das bedeutet nichts anderes als: in der Gestalt an ein biologisches Neuron angelehnt oder davon inspiriert.

Wir fassen den Begriff so, dass er zwei Ansätze umfasst, an denen wir am Fraunhofer IIS arbeiten.

Rechnen im Speicher (In-Memory-Computing): Ein Neuron nimmt Signale über seine Synapsen auf, gewichtet sie mit dem, was es im Training gelernt hat, und summiert sie. Beim In-Memory-Computing findet genau diese Rechnung direkt dort statt, wo die gelernten Gewichte gespeichert sind. Die Daten pendeln nicht mehr zwischen Speicher und Rechenwerk, sondern fließen durch ein Geflecht sehr kleinteiliger Rechen-Speicher-Zellen in einem sogenannten Crossbar-Array.

In einer Spezialform, dem analogen In-Memory-Computing, wird noch einmal deutlich mehr Energie gespart. Dabei nutzt man physikalische Gesetze über das Verhalten elektronischer Bauelemente und Signale aus, um Rechnungen anzustellen, zum Beispiel Multiplikation, Summation oder Integration. Das ist deutlich schneller und energieeffizienter als digitales Rechnen, aber auch ungenauer und aufwendiger in der Umsetzung, weil Temperatur und Fertigungstoleranzen der Bauelemente die Ergebnisse verfälschen. Bei Fraunhofer haben wir einen Weg gefunden, in analoger Technik mit 8 Bit Genauigkeit zu rechnen, wie sie auch viele digitale KI-Chips nutzen, und den Entwicklungsaufwand auch für komplexere Schaltungen zu reduzieren. So arbeitet unser Chip ADELIA. Er rechnet rund zehnmal effizienter als rein digitale Beschleuniger. Der Preis: Solche Chips beherrschen nur wenige Operationen, allerdings genau die, die neuronale Netze am häufigsten brauchen, um verschiedene KI-Aufgaben auszuführen.

Rechnen mit Impulsen: In sogenannten Spiking Neural Networks kommunizieren künstliche Neuronen wie im Gehirn über kurze elektrische Impulse. Ein Neuron feuert nur, wenn sich in seinen Eingangsdaten etwas Relevantes tut. Den Rest der Zeit ruht es und verbraucht kaum Energie. Der Energiebedarf richtet sich damit nach der Aktivität im Netz, nicht nach seiner Größe. In typischen Anwendungen ist zu jedem Zeitpunkt nur ein kleiner Teil der Neuronen aktiv, der Rest verursacht kaum Rechenaufwand. Ein herkömmlicher Prozessor rechnet dagegen jede Verbindung in jedem Schritt durch, auch wenn sich am Eingang nichts geändert hat. Unser Beschleuniger SENNA setzt das mit 1.024 künstlichen Neuronen auf weniger als elf Quadratmillimetern um und reagiert in bis zu 20 Nanosekunden. Die Verbindungen zwischen den Neuronen sind frei programmierbar. Was zum Ergebnis nichts beiträgt, wird gar nicht erst verschaltet.

KI wird dadurch für passende Aufgaben um ein Vielfaches energieeffizienter.

AGEV: Welche Vorteile hat lokale Verarbeitung auf Geräten, Maschinen oder Sensoren?

Die Ausführung von KI auf Endgeräten, nahe am Sensor oder an der Maschine, ist inzwischen ein Megatrend unter dem Oberbegriff Edge AI. Die Vorteile sind vielfältig.

Der erste ist Energie. Daten zu verschicken kostet Energie, oft mehr als ihre Auswertung, insbesondere wenn große Mengen an Rohdaten zur Auswertung in die Cloud wandern. Das gilt für die Kamera in der Produktionshalle genauso wie für den Funksensor am Fenster. Wer vor Ort auswertet und nur Ergebnisse überträgt, spart Bandbreite, Cloud-Kosten und Strom. Batteriebetriebene Geräte kommen mit kleineren Batterien oder sogar mit Energy Harvesting aus, also mit Energie aus der Umgebung. Ein direkter Kostenvorteil! Oder sie gewinnen im selben Energiebudget zusätzliche Informationen, etwa über den Zustand einer Maschine. Man gewinnt Metadaten, die ohne lokale KI gar nicht sichtbar wären.

Der zweite ist Reaktionszeit. Je komplexer ein System, desto offensichtlicher wird das: Ein autark arbeitender Roboter oder eine Drohne sollte nicht erst mit einem Server funken müssen, um eine brenzlige Situation vor Ort einzuschätzen. KI, die so direkt in der physischen Welt handelt, nennt man Physical AI.

Dazu kommen Zuverlässigkeit, weil die Anwendung auch ohne Netzverbindung funktioniert, und Sicherheit, weil Daten, die das Gerät nicht verlassen, unterwegs nicht abgefangen werden können. Und nicht zuletzt die Kosten: Ohne Funkmodul und Mobilfunkvertrag wird ein Gerät günstiger in Herstellung und Betrieb.

AGEV: Für welche Anwendungen sind neuromorphe Chips vor allem gedacht?

Der Schwerpunkt liegt aus unserer Sicht weiterhin auf Edge AI, denn dort bringen die Vorteile am meisten: in Geräten, die mit sehr wenig Energie auskommen und trotzdem schnell reagieren müssen. Manche Anwendungen werden dadurch überhaupt erst möglich.

Typisch sind Sensoren, die dauerhaft lauschen oder messen, etwa auf ein Sprachkommando, auf die Vibrationen einer Maschine oder auf die Anwesenheit einer Person. Dazu kommen Robotik und Kommunikationstechnik. SENNA kann zum Beispiel Signalströme im Mobilfunk analysieren und die Übertragung laufend anpassen.

Auf solche und andere Anwendungsfälle konzentrieren wir uns im neuen Forschungs- und Innovationszentrum FIZ Chip AI in Heilbronn, das Fraunhofer IIS und Fraunhofer IAF seit 2026 mit Förderung der Dieter Schwarz Stiftung aufbauen. Das Fraunhofer IIS entwickelt dort skalierbare neuromorphe Prozessoren in analoger und Mixed-Signal-Technik, unter anderem für Robotik, Mobilfunk und Satelliten.

Daneben wird auch an neuromorpher Hardware für Rechenzentren geforscht, um Stromverbrauch und Betriebskosten zu senken oder das Ausführen trainierter Modelle leistungsfähiger zu machen. Ein Beispiel aus Deutschland ist Sparxity, vormals SpiNNcloud, eine Ausgründung der TU Dresden. Systeme auf Basis seines Chips SpiNNaker2 laufen bereits an der TU Dresden, am Sandia National Laboratory in den USA und am Jülich Supercomputing Centre.

Wir erwähnen das, weil es oft heißt, Deutschland und Europa seien im Rennen um KI-Souveränität längst abgehängt. Das sehen wir anders. Bei den Sprachmodellen entwickelt das Konsortium SOOFI, an dem auch das Fraunhofer IIS und das Fraunhofer IAIS beteiligt sind, ein offenes europäisches Modell mit rund 100 Milliarden Parametern, trainiert in Deutschland und mit nachvollziehbaren Trainingsdaten. Für Unternehmen heißt Souveränität dabei ganz praktisch: Sie können ein solches Modell in der eigenen IT betreiben und mit eigenen Daten anpassen, ohne dass diese das Haus verlassen. Und bei der Hardware für energieeffiziente KI spielt Europa vorn mit.

AGEV: Wie weit ist die Entwicklung, und wo werden die Vorteile schon sichtbar?

Neuromorphe Hardware steht kommerziell noch am Anfang. Sie baut aber auf über 40 Jahren Forschung im maschinellen Lernen auf und entwickelt sich derzeit schnell. Edge AI selbst ist längst Alltag: Smartphones von Apple, Google oder Samsung erkennen Sprache und bearbeiten Fotos direkt auf dem Gerät. Dort arbeiten KI-Prozessoren wie Apples Neural Engine, die trotz ihres Namens auch in unserem erweiterten Verständnis keine neuromorphen Prozessoren sind. Auch wenn wenig darüber veröffentlicht ist: Sie begegnen Problemen wie der Memory Wall mit eher konventionellen Mitteln der Rechnerarchitektur. Der Speicher liegt nah am Rechenwerk, aber immer noch als separater Block. Dazu kommen komprimierte Daten und spezialisierte Rechenwerke für die häufigsten Operationen. Neuromorphe Chips gehen einen Schritt weiter: Sie rechnen direkt im Speicher oder nur dann, wenn ein Ereignis eintritt.

Spannend finden wir vor allem die Entwicklung in der Industrie 4.0 und im Internet der Dinge, wo Systeme über Monate und Jahre laufen und trotzdem schnell reagieren müssen. Hier dient neuromorphes Computing als Enabler. Beispiele sind die Überwachung von Brücken und Bauwerken, die Früherkennung von Ausfällen bei Motoren, Generatoren, Windkraftanlagen oder Fräswerkzeugen und die Optimierung von Funkkanälen. Für SENNA haben wir etwa in der Simulation ein neuronales Netz erprobt, das an Maschinengeräuschen Fehler und drohende Ausfälle erkennt.

Für Unternehmen ist der Einstieg leichter, als viele denken, und gerade jetzt sinnvoll: Wer früh dabei ist, gestaltet die Technologie mit, statt sie später fertig einzukaufen. IT-Dienstleister und Systemintegratoren kennen die Anwendungen ihrer Kunden am besten. Mit einer Machbarkeitsstudie klären wir gemeinsam, ob und wie eine konkrete Anwendung von neuromorpher Hardware profitiert. Für SENNA und ADELIA stellen wir Software-Werkzeuge bereit und passen die Chips auf Wunsch an konkrete Produkte an. Auch für öffentlich geförderte Forschungsprojekte suchen wir regelmäßig Anwendungspartner aus der Industrie. Wer eine Idee für eine sparsame, datenschutzfreundliche KI-Anwendung hat, sollte nicht warten, sondern sich bei uns melden.

AGEV: Bedeutet lokale KI automatisch mehr Datenschutz?

Nicht automatisch, aber sie schafft die beste Voraussetzung dafür. Daten, die das Gerät nie verlassen, können unterwegs nicht abgefangen und nicht in fremden Rechenzentren ausgewertet werden.

Das Gerät selbst muss trotzdem abgesichert sein, etwa gegen Manipulation, physischen Zugriff oder unsichere Software-Updates. Außerdem werden oft weiterhin Ergebnisse übertragen, zum Beispiel „Person erkannt“, und auch die können sensibel sein. Edge AI verkleinert die Angriffsfläche also erheblich, ersetzt aber kein durchdachtes Sicherheitskonzept.

Weitere Informationen: Fraunhofer IIS

Tipp: KI zum Anfassen

 

Wer KI zum Anfassen erleben möchte, kann das in Heilbronn tun: In den IPAI Spaces des Innovationsparks Künstliche Intelligenz ist eine öffentliche KI-Ausstellung zu sehen. Am Heilbronner Standort entsteht zudem auf rund 30 Hektar der IPAI Campus, ein KI-Quartier für mehr als 5.000 Menschen aus Wirtschaft und Wissenschaft, mit einem Reallabor für Robotik und einem eigenen Test-Rechenzentrum. Die ersten Gebäude sollen 2027 fertig sein.

 

Informationen: IPAI Event Spaces

Über Dr. Markus Eppel

 

Dr. Markus Eppel ist Gruppenleiter am Fraunhofer-Institut für Integrierte Schaltungen IIS. Seit 2023 leitet er gemeinsam mit einem Kollegen die strategische Initiative für Neurocomputing am Institut. Seit Mai 2026 ist er zudem Standortleiter des Forschungs- und Innovationszentrums Chip AI in Heilbronn auf Seiten des Fraunhofer IIS. Gemeinsam mit dem Standortleiter des Fraunhofer IAF verantwortet er dort die Arbeitsgruppen zur Entwicklung von Chips für künstliche Intelligenz und von KI-Werkzeugen für die Chipentwicklung.

Weitere News aus dieser Kategorie

Ihre AGEV – für Sie im Dialog

Arbeitgebervereinigung für Unternehmen
aus dem Bereich EDV und Kommunikationstechnologie e. V.

Bonner Talweg 55
53113 Bonn

 Tel: 0228 98375-0
 Fax: 0228 98375-19
 Nachricht schreiben