KIP-Veröffentlichungen

Innerhalb der letzten zehn Jahre ist der Rechenbedarf für künstliche Intelligenz rapide gestiegen.
Um diesen wachsenden Durst nach Rechenressourcen zu stillen, wird an verschiedenen neuartigen Computersystemen geforscht.
Einen Ansatz stellen neuromorphe Computer dar, welche versuchen biologische Neuronen und Synapsen zu imitieren.
Insbesondere Dendriten wird ein substanzieller Beitrag zur Rechenleistung biologischer Neuronen zugeschrieben.
BrainScaleS-2 ist ein neuromorphes System, das unter anderem Multi-Kompartiment-Neuronenmodelle emulieren kann.
Das Hauptziel dieser Arbeit ist es, Multi-Kompartiment-Experimente auf BrainScaleS-2 zu vereinfachen.

Zunächst wurde eine Verifikation der korrekten Funktion der interkompartimenten Konduktanz durchgeführt.
Da die Schaltungen Abweichungen aufgrund von Fertigungstoleranzen aufweisen, wurde eine Kalibrationsroutine für die Konduktanz implementiert.
Diese ist in der Lage die Abweichungen um bis zu eine Größenordnung zu reduzieren.
Es wurde eine Anwendungsschnittstelle erstellt, welche die Nutzung von Multi-Kompartiment Neuronen vereinfachen soll.
Außerdem wurde die Nutzung genetischer Algorithmen zur Konfigurierung von Multi-Kompartiment Neuronen untersucht.
Ein Neuron bestehend aus drei Kompartimenten wurde durch einen genetischen Algorithmus so konfiguriert, sodass dieses den Iris-Datensatz erfolgreich klassifizieren konnte.
Abschließend wurde die Fähigkeit genetischer Algorithmen demonstriert, strukturierte Neuronen auf BrainScaleS-2 so zu konfigurieren, dass diese beobachtetes Verhalten imitieren, welches aus in vivo oder in vitro Experimenten stammen könnte.

Over the last decade, the computational demand for Artificial Intelligence has rapidly increased.
Various novel computation paradigms are pursued to satisfy this growing thirst for computational resources.
One approach is neuromorphic hardware, which mimics biological neurons and synapses.
Especially, dendrites are assumed to play a central role in a neuron's computational power.
BrainScaleS-2 is a neuromorphic system capable of emulating multi-compartment neuron models.
The main goal of this thesis is to facilitate multi-compartment experiments on BrainScaleS-2.

First, we present the results of a post-silicon validation of the inter-compartment conductance.
Furthermore, we implement a calibration routine of the inter-compartment conductance, capable of compensating the fixed-pattern variations between the neuron circuits by up to one order of magnitude.
An application programming interface is built for a more comprehensive use of multi-compartment neurons from a user-side perspective.
Additionally, the ability of genetic algorithms to configure multi-compartment neurons was investigated.
A three-compartment neuron was thereby trained to successfully classify the Iris data set.
Moreover, the capabilities of genetic algorithms to configure structured neurons on BrainScaleS-2 to a phenomenological observable, which could be extracted from in-vivo or in-vitro experiments, is demonstrated.