LONDON (IT BOLTWISE) – Forschende stellen einen Chip vor, der neuronale Dynamik im Sub-10-millisecond-Takt verarbeitet. Der Ansatz nutzt Phase-Change-Memristoren und rechnet zentrale Schritte direkt im Speicher, statt Daten permanent zwischen Recheneinheit und Speicher zu verschieben. In Tests zur 3D-Rekonstruktion der Hirnrinde erreicht die Hardware bis zu 478,18-fache Beschleunigung gegenüber einem NVIDIA A100 bei deutlich reduziertem Energiebedarf. Damit rückt Echtzeit-fähiges Modellieren für Brain-Computer-Interfaces und intraoperative Navigation näher an die Praxis.
Die Latenz ist in vielen Neurotech-Systemen der Flaschenhals. Sobald ein Setup in Millisekunden reagieren soll, reicht es nicht mehr, nur schnellere Grafik- oder Recheneinheiten einzusetzen: Dann dominieren oft Datenbewegungen, Zwischenspeicher und wiederholte Rechenschritte. Genau an dieser Stelle setzt die aktuelle Entwicklung an. Forschende von der Peking University und dem Shanghai Institute of Microsystem and Information Technology, einer Einrichtung der Chinesischen Akademie der Wissenschaften, beschreiben einen Hardware-Ansatz, der neuronale dynamische Systeme auf eine in-memoryfähige Architektur abbildet und damit die Zeitskala der biologischen Signalverarbeitung direkt nachbildet.
Technisch betrachtet handelt es sich um ein neuromorphes Chipdesign, das für kontinuierliche neural dynamical computations im Sub-10-millisecond-Bereich ausgelegt ist. Fertigungstechnisch basiert der Chip auf einem 40-nanometer-Prozess. Er nutzt Phase-Change-Memristoren, also Speicherbauelemente, deren elektrischer Widerstand sich in klar unterscheidbaren Zuständen ändert und damit analoge bzw. mehrstufige Werte repräsentieren kann. Diese Eigenschaft ist entscheidend, weil die Architektur damit zentrale mathematische Operationen in der Speicher-Matrix selbst ausführt. Für klassische Systeme bedeutet das: weniger „Memory Wall“, also weniger Overhead durch ständiges Hin- und Herschieben von Daten zwischen Speicher und CPU/GPU. Die Chipfläche liegt bei 0,28 Quadratmillimetern; beim Rechentakt werden 50 MHz angegeben, außerdem kommen neun Pipeline-Stufen pro Integrationsschritt zum Einsatz.
In der Leistungsbewertung wird der Unterschied besonders an zwei Engpässen sichtbar: Geschwindigkeit und Energie. Laut den vorliegenden Ergebnissen arbeitet das System in neural dynamical computations 3,82× bis 36,27× schneller als „state-of-the-art“-Hardware aus der Klasse der Application-Specific Integrated Circuits (ASICs), während der Energieverbrauch um den Faktor 11,75× bis 24,73× niedriger ausfällt. Das ist bemerkenswert, weil ASICs bereits für effiziente Zielworkloads optimiert sind. Gleichzeitig zeigt ein zweiter Vergleich die praktische Einordnung: Bei 3D cortical surface reconstruction, also dem Rekonstruieren von Oberflächen der weißen und grauen Substanz mit korrekter Faltungstopologie, erreicht die Memristor-basierte In-Memory-Architektur bis zu 478,18× Beschleunigung gegenüber einer Enterprise-GPU der Klasse NVIDIA A100. Über die reine Rechentiefe hinaus wird dabei auch eine Ende-zu-Ende-Latenz genannt, die laut Hardware-Messung und Simulation die GPU A100 um den Faktor 50,38× bis 478,18× übertrifft.
Warum ist gerade „cortical surface reconstruction“ ein guter Stresstest? Neural dynamical systems sind nicht nur Modellschablonen, sondern bilden über Differentialgleichungen zeitliche Änderungen ab und benötigen typischerweise wiederholte Integrationsschritte, Fehlerprüfungen und adaptive Schrittweiten. Diese Iterationen lassen sich zwar auf GPUs abbilden, aber die Last entsteht häufig dort, wo Systeme Daten wiederholt aus dem Speicher an Rechenkerne übergeben müssen. Die neue Architektur greift dieses Problem strukturell an: Durch compute-in-memory wird die Datenübertragung reduziert und die Berechnung findet dort statt, wo die Zustände ohnehin „liegen“. Das Ergebnis sind glatte, geschlossene und topologisch konsistente 3D-Manifold-Oberflächen, die in den Auswertungen mit Kennzahlen wie Average Symmetric Surface Distance (ASSD) und Hausdorff-Distance eine hohe neuroimaging-genauigkeit belegen sollen. Für Unternehmen und Entwickler ist die praktische Konsequenz, dass sich Modellqualität und Echtzeitanforderung nicht mehr in einem starren Widerspruch gegeneinander „ausspielen“ lassen.
Der wissenschaftliche Kontext macht außerdem klar, worum es bei dieser Generation von NDS-Hardware geht: Frühere Ansätze für beschleunigte neuronale Dynamik wurden wiederholt dadurch ausgebremst, dass die Latenz nicht in den Bereich weniger Millisekunden kam. In dem beschriebenen Paper wird explizit auf die Größenordnung eingegangen: Adaptive-Step-Integration mit eingebetteten neuronalen Netzwerken kann solche Aufgaben zwar sehr gut lösen, aber sie leidet oft an Latenzen in der Größenordnung von hunderten Millisekunden. Mit dem hier eingesetzten Hardwaredesign wird dagegen eine Sub-10-millisecond-Latenz für einzelne NDS-Berechnungsiterationen berichtet, konkret mit einer Latenz von 2,12 Millisekunden unter den genannten Fehlertoleranzen (Fehlertoleranz 10⁻⁷). Damit wird die Hardware-Story nicht nur „schneller“, sondern auch „zeitlich anschlussfähig“ für reale Workflows, in denen eine Verzögerung bereits die Nutzbarkeit entscheidet.
Für den Markt öffnet sich damit ein realistischerer Pfad zu Anwendungen, die bislang an der Rechen- und Energieeffizienz scheiterten. In der Zukunftsplanung werden Brain-Computer-Interfaces genannt, weil sie für eine interpretierende Rückkopplung ohne merklichen Delay ausgelegt sein müssen. Daneben steht intraoperative surgical navigation: Wer während eines Eingriffs dreidimensionale Bilddaten verarbeiten will, benötigt Aktualisierungen in einem Takt, der nicht auf Offline-Rechenjobs setzt. Ebenso werden „digital brain twins“ als Zielbild beschrieben, also digitale Zwillinge für neurodegenerative Erkrankungen wie Parkinson oder Alzheimer, bei denen Echtzeit-Updates und dichte modellbasierte Rekonstruktionen die Hypothesenbildung beschleunigen könnten. Entscheidend ist dabei weniger der einzelne Use Case als die Architektur-Eigenschaft: In-Memory-Rechnen mit einem speicherbasierten Zustandsraum reduziert systemweit die Latenztreiber, die bei großen Modellpipelines heute häufig unsichtbar bleiben.
Spannend wird als Nächstes, wie sich die Hardware-Realwelt über Laborbenchmarks hinaus schlägt. Sobald reale Datenquellen und Messrauschen in die Pipeline kommen, entscheidet sich, ob die Latenzvorteile auch unter wechselnden Eingabegrößen stabil bleiben. Auch die Softwareseite bleibt ein zentraler Faktor: Neuromorphes In-Memory Computing verlangt angepasste Modellierungs- und Mapping-Strategien, damit die mathematischen Operationen tatsächlich effizient in die Leitungs- und Zustandsdomänen der Memristoren übersetzt werden. Für Unternehmen mit Bildgebungs-, Neuro- oder Medizintechnikfokus bedeutet das: Nicht nur die Chipleistung ist relevant, sondern die Frage, wie schnell sich bestehende Workflows in eine Architektur übertragen lassen, die „Memory Wall“ und wiederholte Transfers systematisch reduziert.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Neuer Chip simuliert neuronale Dynamik in unter 10 Millisekunden" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Neuer Chip simuliert neuronale Dynamik in unter 10 Millisekunden" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Neuer Chip simuliert neuronale Dynamik in unter 10 Millisekunden« bei Google Deutschland suchen, bei Bing oder Google News!