Neuromorphe Prozessoren bringen KI direkt auf Geräte

von Andreas Bergmeier - 2026-11-21

Künstliche Intelligenz benötigt nicht zwangsläufig große Rechenzentren. Für viele Anwendungen in der Industrie oder Medizintechnik ist es sogar vorteilhaft, Daten unmittelbar dort auszuwerten, wo sie entstehen.

Das spart Übertragungswege, reduziert den Energiebedarf und ermöglicht Reaktionen innerhalb kürzester Zeit. Allerdings sind herkömmliche Prozessoren für solche Aufgaben nicht immer geeignet, insbesondere wenn nur wenige Milliwatt zur Verfügung stehen. Am Fraunhofer-Institut für Integrierte Schaltungen IIS entstehen deshalb neue Prozessorarchitekturen für das sogenannte Neuromorphic Computing. Auf der electronica in München stellt das Forschungsinstitut zwei unterschiedliche Entwicklungen vor: SENNA für extrem schnelle, zeitlich vorhersagbare Berechnungen und ADELIA für besonders energiesparende KI-Anwendungen. Beide verfolgen das Ziel, künstliche Intelligenz direkt in Geräte und technische Systeme zu integrieren.

Fraunhofer IIS neuromorphe Prozessorfamilien für Edge AI
Anzeige

Fraunhofer IIS entwickelt zwei neuromorphe Prozessorfamilien

Die Forschung am Neuromorphic Computing orientiert sich unter anderem an der Funktionsweise des menschlichen Gehirns. Biologische Nervensysteme verarbeiten Informationen mit vergleichsweise geringem Energieaufwand. Diese Eigenschaft dient als Inspiration für neue Hardwarearchitekturen, die sich von klassischen Prozessoren unterscheiden. Das Fraunhofer IIS beschäftigt sich seit etwa sechs bis acht Jahren mit diesem Forschungsgebiet. Inzwischen stehen konkrete industrielle Anwendungen im Mittelpunkt. Dabei geht es insbesondere um Aufgaben, bei denen konventionelle Hardware zu viel Energie benötigt oder Berechnungen nicht schnell genug ausführen kann. Mit SENNA und ADELIA verfolgt das Institut zwei unterschiedliche technische Ansätze. SENNA basiert auf einem Spike Network, während ADELIA eine In-Memory-Computing-Architektur verwendet. Die Prozessorfamilien richten sich damit an verschiedene Anforderungen innerhalb der Edge AI, also der lokalen Verarbeitung künstlicher Intelligenz unmittelbar am Einsatzort.

Neuromorphic Computing für Edge AI
SENNA programmierbarer neuromorpher KI-Chip Reaktionszeiten im Nanosekundenbereich

SENNA ermöglicht Reaktionszeiten im Nanosekundenbereich

Bei industriellen Steuerungen können bereits geringe zeitliche Verzögerungen problematisch sein. Besonders anspruchsvoll sind Anwendungen, bei denen Berechnungen innerhalb sehr kurzer und genau definierter Zeitfenster abgeschlossen werden müssen. Hier setzt der Spike-Network-Prozessor SENNA an. Nach Angaben des Fraunhofer IIS ermöglicht die Architektur Latenzen bis in den Nanosekundenbereich. Hinzu kommt ein zeitdeterministisches Verhalten: Die Ausführung erfolgt mit vorhersagbaren zeitlichen Eigenschaften. Diese Kombination ist insbesondere für Regelungs- und Steuerungsaufgaben interessant, die auf sehr kleinen Zeitskalen arbeiten. Als weiteres mögliches Einsatzgebiet nennt das Forschungsinstitut künftige 6G-Kommunikationssysteme. Entscheidend ist dabei nicht allein die Geschwindigkeit. Für zeitkritische Anwendungen muss auch zuverlässig feststehen, wann ein Berechnungsergebnis vorliegt. SENNA wurde gezielt für solche Anforderungen entwickelt und unterscheidet sich damit von Prozessorarchitekturen, deren Schwerpunkt auf der Verarbeitung großer Datenmengen liegt.

Anzeige
ADELIA energieeffizienter KI-Inferenzbeschleuniger-Chip verarbeitet KI-Modelle mit wenigen Milliwatt

ADELIA verarbeitet KI-Modelle mit wenigen Milliwatt

Während SENNA auf kurze Latenzen ausgelegt ist, steht bei ADELIA ein möglichst geringer Energieverbrauch im Vordergrund. Der Prozessor basiert auf In-Memory-Computing und ermöglicht die Ausführung von KI-Modellen im Milliwattbereich. Bei diesem Architekturansatz werden Berechnungen eng mit der Speicherung der Daten verbunden. Dadurch lassen sich aufwendige Datentransfers zwischen getrennten Speicher- und Recheneinheiten reduzieren. Gerade bei kleinen, batteriebetriebenen Geräten ist der Energiebedarf ein wesentlicher Faktor. ADELIA richtet sich deshalb unter anderem an tragbare elektronische Systeme, die kontinuierlich Informationen erfassen und auswerten müssen. Statt Rohdaten zur Verarbeitung an andere Geräte zu übertragen, kann die KI-Auswertung unmittelbar auf dem Prozessor erfolgen. Das eröffnet Möglichkeiten für kompakte Anwendungen, bei denen eine herkömmliche Rechenplattform aufgrund ihres Stromverbrauchs oder Platzbedarfs ungeeignet wäre.

Prozessor ADELIA Demonstration wie Schlafüberwachung Vibrationskontrolle Keyword Spotting und EKG Classification

Schlafüberwachung und EKG-Auswertung direkt am Körper

Ein konkretes Anwendungsbeispiel sind intelligente Wearables zur Erfassung biologischer Signale. Bislang werden entsprechende Messdaten häufig zunächst aufgezeichnet und anschließend an ein Smartphone, Tablet oder einen Computer übertragen. Erst dort erfolgt die weitergehende Auswertung. Mit ADELIA lässt sich dieser Verarbeitungsschritt direkt in das tragbare Gerät verlagern. Das Fraunhofer IIS nennt beispielsweise ein Kopfband zur Schlafüberwachung, in das der Prozessor integriert werden kann. Die erfassten Biosignale müssen dann für die KI-Auswertung nicht mehr an ein externes Gerät übertragen werden. Das vereinfacht die Handhabung und bietet Vorteile beim Datenschutz, weil sensible Informationen lokal verarbeitet werden können. Auf dem Messestand demonstriert das Forschungsinstitut außerdem, dass ADELIA unterschiedliche KI-Modelle ausführen kann. Ein Beispiel ist das sogenannte Keyword Spotting, bei dem bestimmte gesprochene Schlüsselwörter erkannt werden. Eine weitere Anwendung ist die Verarbeitung von EKG-Daten. Bemerkenswert ist die Möglichkeit, die KI-Modelle während des Betriebs auszutauschen. In der Demonstration lässt sich mit einem Klick ein anderes Modell auf den Prozessor laden. Auch Aktualisierungen bestehender Modelle sind vorgesehen. Damit ist ADELIA nicht auf eine einzelne, fest einprogrammierte Erkennungsaufgabe beschränkt. Die Hardware kann für unterschiedliche Anwendungen genutzt und ihre Funktion durch neue KI-Modelle angepasst werden.

Lokale KI-Verarbeitung statt Übertragung in die Cloud

Ein wesentliches Entwicklungsziel neuromorpher Prozessoren ist die Unabhängigkeit von zentralen Rechenressourcen. Bei vielen heutigen KI-Anwendungen werden Daten zunächst über eine Netzwerkverbindung übertragen und anschließend in einem Rechenzentrum verarbeitet. Für bestimmte industrielle und medizinische Anwendungen ist dieses Vorgehen jedoch mit Nachteilen verbunden. Die Übertragung benötigt Energie, verursacht zusätzliche Latenzen und kann bei sensiblen Daten besondere Anforderungen an den Datenschutz stellen. Neuromorphe Hardware soll deshalb KI-Funktionen ermöglichen, die vollständig auf dem jeweiligen Gerät ausgeführt werden. Das ist vor allem dort relevant, wo Daten lokal bleiben sollen oder eine schnelle Reaktion erforderlich ist. Die Entwicklung bedeutet allerdings nicht, dass Cloud-Systeme grundsätzlich überflüssig werden. Vielmehr lassen sich bestimmte Aufgaben auf spezialisierte Prozessoren verlagern, während andere Anwendungen weiterhin zentrale Rechenleistung benötigen.

Industrielle Anwendungen als Chance für Deutschland

Das Fraunhofer IIS sieht insbesondere in der deutschen Industrie großes Potenzial für Edge AI. Während große KI-Modelle vor allem von amerikanischen Technologieunternehmen entwickelt werden, verfügt Deutschland über eine breite industrielle Basis mit spezialisiertem Fachwissen. Maschinenbau und Automobilindustrie gehören zu den Bereichen, in denen KI-Funktionen unmittelbar in Produkte und technische Anlagen integriert werden können. Dafür reicht ein allgemein verfügbares KI-Modell häufig nicht aus. Entscheidend sind Kenntnisse über die jeweilige Anwendung und der Zugang zu geeigneten Daten. Nach Einschätzung des Forschungsinstituts bietet diese Spezialisierung deutschen Unternehmen gute Voraussetzungen, eigene KI-Anwendungen zu entwickeln. Die Nachfrage aus der Industrie ist bereits vorhanden: Unternehmen suchen nach Lösungen für Aufgaben, bei denen bestehende Komponenten zu langsam sind oder zu viel Energie verbrauchen. SENNA und ADELIA sollen hier unterschiedliche technische Anforderungen abdecken. Während der eine Prozessor zeitkritische Berechnungen ermöglicht, konzentriert sich der andere auf einen besonders sparsamen Betrieb. Damit richtet sich die Forschung nicht auf immer größere KI-Modelle, sondern auf deren gezielten Einsatz in konkreten Produkten. Gerade für die industrielle Automatisierung, intelligente Sensorik und tragbare Medizintechnik könnte die lokale Verarbeitung zu einem wichtigen Bestandteil künftiger Elektroniksysteme werden.