KIP-Veröffentlichungen

In dieser Diplomarbeit werden die Neurone und plastischen Synapsen eines innovativen
neuromorphen Hardwaresystems, das im Rahmen der Forschungsprojekte FACETS und
BrainScaleS entwickelt wird, anhand von Softwaresimulationen und Messungen an Prototypen
untersucht. Um die bisherigen Schwierigkeiten in der Entwicklung eines hochkonfigurierbaren,
großskaligen neuromorphen Hardwaresystems mit plastischen Synapsen zu
überwinden, muss ein Kompromiss zwischen der Anzahl an Neuronen und Synapsen und
deren Schaltungsaufwand eingegangen werden. Im FACETS-System angewandte, drastische
Einsparungen in der Belegung von Hardwareressourcen – insbesondere für Synapsen
– führen zu kleinen, zugeschnittenen Mixed-Signal Schaltkreisen, welche im Gegensatz zur
herkömmlichen Fließkomma-Arithmetik funktionale Einschränkungen zur Folge haben. Die
Ungleichmäßigkeiten und das Rauschen in biologischen Systemen legen nahe, dass solche Einschränkungen
die Funktionalität der korrelationsbasierten synaptischen Plastizität (STDP),
die oft in etablierten neuronalen Netzwerken eingesetzt wird, nicht grundlegend beeinflussen
sollte. Die auftretenden Effekte einer Diskretisierung von synaptischen Gewichten, wie sie in
der betrachteten Art von Hardwaresystemen verwendet wird, werden analysiert, indem die
Komplexität der Testszenarien schrittweise erhöht wird bis hin zu einem Netzwerk, welches
Synchronizität erkennen kann. In Experimenten mit der Hardware werden Produktionsschwankungen
gemessen, deren Charakteristik für weitere Studien verwendet wird. Außerdem
wird eine Umgebung präsentiert, die es ermöglicht, Hardwareneurone an beliebige
elektrophysiologische Daten, die entweder aus biologischen Aufzeichnungen oder Referenzsimulationen
gewonnen werden können, automatisch anzupassen. Erste Experimente bestätigen,
dass der verwendete Partikel-Schwarm Algorithmus zur Optimierung von Neuronparametern
geeignet ist, und dass der Prototypaufbau in dieser Umgebung mit hoher Verlässlichkeit
betrieben werden kann.

In this thesis, the neurons and plastic synapses of a novel wafer-scale neuromorphic hardware
system developed within the FACETS and BrainScaleS research projects are analyzed by
software simulations and by measurements with prototype devices. In order to overcome the
historical obstacles towards a highly configurable, large-scale neuromorphic hardware system
with plastic synapses, a trade-off between the number of neurons and synapses and the required
chip resources has to be made. The major reduction in required resources, as realized
by the FACETS system, results in a small-sized, customized mixed-signal circuitry that –
especially in the case of synapses – brings up limitations compared to standard computer
floating point arithmetic. The intrinsic inhomogeneities and noisiness in real biological systems
suggest that such limitations should not critically impede the general functionality of
spike-timing dependent plasticity, which is often implemented in established neural network
models. The effects of discretizing synaptic weights, as done in hardware implementations of
the considered type, are studied by step-wise increasing the level of test scenario complexity
towards a network benchmark for synchrony detection. Production imperfections are measured
in hardware experiments and integrated into extended studies. Furthermore, a neuron
fitting environment is presented that allows an automatic fitting of hardware neurons to arbitrary
electrophysiological data, either obtained by biological recordings, or reference software
simulations. First experiments show that the applied particle swarm algorithm is capable of
optimizing the neuron parameters, and that the prototype test setup calibrated this way can
be operated successfully and with high reliability.