Kognitiver sequentieller Parallelismus: Von kanonischen neuronalen Schaltkreisen und dem Training rekurrenter neuronaler Netze für perzeptuelle Entscheidungsfindungen

Abstract

Die Entwicklung autonomer Fahrzeuge zeigt einmal mehr die Schwierigkeiten der visuellen Informationsverarbeitung. Während es Menschen scheinbar mühelos gelingt den visuellen Informationsstrom auszuwerten, bedarf es bei technischen Anwendungen leistungsstarker/energieintensiver GPUs. Neuromorphe Hardware, welche vom Gehirn inspiriert Millionen von Neuronen simuliert, zeigt hier alternative Ansätze für hochgradig skalierbare und energieeffiziente Lösungen [Me14]. Bestehende Algorithmen aus der Computer Vision lassen sich jedoch nur selten auf solche Hardware portieren [Es13]. Vielmehr bedarf es neuer Algorithmen um die Leistungsfähigkeit neuromorpher Systeme zu nutzen. Hierzu trägt meine Arbeit unmittelbar bei. Durch die Modellierung dynamischer Prozesse mit direktem Bezug zur visuellen Informationsverarbeitung im Gehirn und deren mathematischer Analyse wird die Basis geschaffen, um skalierbare und komplexe Systeme zu modellieren. Die Entwicklung eines ereignisbasierten Algorithmus zur optischen Flussschätzung und eines Lernalgorithmus für simultan rekurrente Netze ermöglicht ein verbessertes Verständnis von neurophysiologischen Untersuchungsdaten aber auch die Entwicklung neuer Anwendungen für extrem parallele (GPUs) und/oder neuromorphe Hardware.