Neuronale Netzwerke: Umfangreiche Computermodelle werden gezähmt

Die Wissenschaftler Prof. Dr. Mehdi B. Tahoori, Soyed Tuhin Ahmed und Christopher Münch vom Lehrstuhl für Dependable Nano Computing (CDNC) am KIT und ihre KollegInnen von der Université Grenoble-Alpes (Guillaume Prenat, Kamal Danouchi, Lorena Anghel) verfolgen das Ziel, die Zuverlässigkeit und Leistung von Bayesschen Neuronalen Netzen durch den Einsatz neuartiger spintronischer Bauelemente und eines Algorithmus-zu-Hardware-Ansatzes zu verbessern. Ihren Lösungsvorschlag beschreiben sie in ihrem Aufsatz "SpinDrop: Dropout-Based Bayesian Binary Neural Networks with Spintronic Implementation“, der von der Fachzeitschrift IEEE Journal on Emerging and Selected Topics in Circuits and Systems als das beste Paper ausgezeichnet wurde.

Die Implementierung von Bayesschen Netzen ist eine vielversprechende Möglichkeit, um die Fehlererkennung und Vorhersagegenauigkeit von Neuronalen Netzen zu verbessern, insbesondere in sicherheitskritischen Anwendungen wie der Medizin und dem automobilen Bereich. Allerdings haben herkömmliche Implementierungen von Bayesschen Netzen Schwierigkeiten, auf kleinen Geräten (so genannte Edge KI) und in schnellen Anwendungen effizient zu arbeiten. Durch den vorgeschlagenen Algorithmus Hardware Co-Entwurf und Co-Optimierung könnten diese Probleme angegangen werden. Dies würde nicht nur die Zuverlässigkeit und Leistung der Bayesschen Netze verbessern, sondern auch ihre Präzision bei Vorhersagen positiv beeinflussen.

Das IEEE Circuit and System Society (CAS) Best Paper Award wird jährlich an AutorInnen der wissenschaftlichen Aufsätze verliehen, die die Jury mit ihrem Schreibstil, der Recherche-Qualität und der Relevanz ihrer Arbeit für praktizierende Professionals überzeugen können.