Diese Herausforderung betrifft viele Anwendungen. Eine an der Hochschule Luzern entwickelte KI-Z\u00e4hlmaschine<\/a> erkennt beispielsweise kleine oder \u00fcberlappende Objekte direkt vor Ort. Im Weltraum wird die Energiefrage noch deutlicher: Kameras und Rechner eines Satelliten<\/a> m\u00fcssen mit dem begrenzten Strom aus Solarpanels auskommen.<\/p>\n\n\n\n Die zentrale Frage lautet deshalb: Wie l\u00e4sst sich leistungsf\u00e4hige KI mit m\u00f6glichst wenig Energie betreiben?<\/p>\n<\/blockquote>\n\n\n\n Eine m\u00f6gliche Antwort liefern Spiking Neural Networks<\/strong>, kurz SNNs. Sie orientieren sich st\u00e4rker an biologischen Nervensystemen als herk\u00f6mmliche neuronale Netze.<\/p>\n\n\n\n Klassische Netze verarbeiten kontinuierliche Zahlenwerte. SNNs kommunizieren dagegen \u00fcber einzelne Ereignisse, sogenannte Spikes. Vereinfacht gesagt: \u00c4hnlich wie eine Nervenzelle im Gehirn<\/strong> sammelt eine k\u00fcnstliche Nervenzelle eingehende Signale. Erst wenn gen\u00fcgend Signale zusammengekommen sind, sendet sie selbst einen Impuls, einen Spike.<\/p>\n\n\n\n SNNs k\u00f6nnen viele aufwendige Multiplikationen durch einfachere Additionen ersetzen. Das spart aber nicht automatisch Energie. Entscheidend ist, wie h\u00e4ufig Daten zwischen Speicher und Recheneinheit bewegt werden m\u00fcssen<\/strong>. Neuromorphe Hardware h\u00e4lt diese Daten m\u00f6glichst lokal und wird nur aktiv, wenn tats\u00e4chlich ein Spike eintrifft.<\/p>\n\n\n\n Der Begriff \u00abneuromorph\u00bb bedeutet sinngem\u00e4ss \u00abdem Nervensystem nachempfunden\u00bb. Neuromorphe Prozessoren versuchen, bestimmte Prinzipien des Gehirns technisch nachzubilden. Dazu geh\u00f6ren viele kleine Verarbeitungseinheiten, Speicher direkt bei diesen Einheiten und eine ereignisbasierte Kommunikation. Neuromorphe Prozessoren sind darauf ausgelegt, Rechenaktivit\u00e4t gezielt durch eintreffende Ereignisse auszul\u00f6sen. Teile der Hardware werden also vor allem dann aktiv, wenn tats\u00e4chlich ein Ereignis (Spike) verarbeitet werden muss. Damit sind solche Prozessoren besonders gut auf Spiking Neural Networks abgestimmt.<\/p>\n<\/details>\n\n\n\n Sind SNNs damit grunds\u00e4tzlich effizienter? Die Antwort lautet: Es kommt darauf an.<\/p>\n<\/blockquote>\n\n\n\n Forschende am CC ISN der Hochschule Luzern haben untersucht, unter welchen Bedingungen SNNs tats\u00e4chlich Energie sparen k\u00f6nnen. Dabei zeigte sich: Entscheidend ist nicht allein die Art des neuronalen Netzes, sondern es m\u00fcssen drei Faktoren zusammenspielen.<\/p>\n\n\n\n 1. Die passende Hardware<\/strong><\/p>\n\n\n\n Auch auf klassischen Prozessoren kann man mittels SNN Multiplikationen durch Additionen ersetzen. M\u00fcssen die Daten f\u00fcr die Rechnungen aber st\u00e4ndig aus einem externen Speicher geladen werden, kann der Rechenvorteil schnell verloren gehen.<\/p>\n\n\n\n Neuromorphe Prozessoren speichern Daten deshalb nahe bei den Recheneinheiten und arbeiten ereignisgetrieben. Dadurch muss weniger gerechnet und weniger Energie f\u00fcr das st\u00e4ndige Verschieben von Daten aufgewendet werden.<\/p>\n\n\n\n 2. Die passende Darstellung der Daten<\/strong><\/p>\n\n\n\n Damit ein SNN Informationen verarbeiten kann, m\u00fcssen diese zun\u00e4chst in Spikes \u00fcbersetzt werden. Wie diese \u00dcbersetzung erfolgt, beeinflusst sowohl den Energieverbrauch als auch die Genauigkeit des Netzes. Eine besonders sparsame Codierung ist deshalb nicht automatisch auch die beste f\u00fcr die jeweilige Aufgabe.<\/p>\n\n\n\n Weltraumbilder enthalten h\u00e4ufig grosse dunkle Fl\u00e4chen. Bei geeigneter Codierung erzeugen dunkle Pixel wenige oder keine Spikes. Das Netz muss entsprechend weniger Ereignisse verarbeiten. Die Studie zeigte einen deutlichen Zusammenhang: Je h\u00f6her der Anteil dunkler Pixel war, desto weniger Energie ben\u00f6tigten bestimmte SNN-Konfigurationen auf neuromorpher Hardware. Das HSLU-Projekt \u00abEnergiesparend sehen\u00bb setzt bereits bei der Bildaufnahme an. Event-Kameras \u00fcbertragen nicht laufend vollst\u00e4ndige Bilder, sondern nur Ver\u00e4nderungen in einer Szene. Besonders vielversprechend wird der Ansatz, wenn Sensor, Datenrepr\u00e4sentation, KI-Modell und Hardware gemeinsam optimiert werden.<\/p>\n<\/details>\n\n\n\n 3. Die passende Verarbeitungsdauer<\/strong><\/p>\n\n\n\n SNNs verarbeiten Informationen \u00fcber mehrere aufeinanderfolgende Zeitschritte. Mehr Zeitschritte k\u00f6nnen die Genauigkeit erh\u00f6hen, ben\u00f6tigen aber auch zus\u00e4tzliche Energie. Entscheidend ist deshalb, einen guten Kompromiss zwischen Genauigkeit und Energieverbrauch zu finden.<\/p>\n\n\n\n SNNs sind vielversprechend, aber keine Universall\u00f6sung.<\/p>\n\n\n\n Sie sind besonders interessant, wenn nur wenige relevante Ereignisse auftreten, die zu verarbeitenden Daten entsprechend sp\u00e4rlich sind und geeignete neuromorphe Hardware verf\u00fcgbar ist. Auf klassischer Hardware bleiben gut optimierte CNNs h\u00e4ufig die bessere L\u00f6sung.<\/strong><\/p>\n\n\n\n F\u00fcr die Praxis lautet die entscheidende Frage deshalb nicht, ob SNNs grunds\u00e4tzlich besser sind, sondern: Passt die ereignisbasierte Verarbeitung zu unseren Daten, unserer Hardware und den Anforderungen unserer Anwendung?<\/p>\n<\/blockquote>\n\n\n\n Auch bei einer zuk\u00fcnftigen Generation der HSLU-Z\u00e4hlmaschine k\u00f6nnte untersucht werden, ob Event-Kameras und SNNs hohe Bildraten mit weniger Energie verarbeiten k\u00f6nnen.<\/p>\n\n\n\n SNNs er\u00f6ffnen neue M\u00f6glichkeiten f\u00fcr energieeffiziente KI. Wie viel Energie sich damit tats\u00e4chlich sparen l\u00e4sst, h\u00e4ngt davon ab, wie gut Sensor, KI-Modell und Hardware zusammenpassen. Genau an dieser Schnittstelle forscht die Hochschule Luzern weiter.<\/p>\n\n\n Die Forschung entstand aus der Masterarbeit von Matthias H\u00f6fflin<\/a>. Sein Weg f\u00fchrte ihn vom Lehrabschluss \u00fcber das Bachelorstudium in Elektrotechnik und Informationstechnologie<\/a> bis zum Master of Science in Engineering<\/a> an der Hochschule Luzern. Heute arbeitet er als wissenschaftlicher Mitarbeiter am CC ISN<\/a>. Die Ergebnisse seiner Masterarbeit pr\u00e4sentierte er an der Konferenz \u00abAI in and for SPACE\u00bb in Suzhou. Dort erhielt sein Beitrag den Best Paper Award. Aus der Arbeit entstand sp\u00e4ter eine vertiefte Publikation in der Fachzeitschrift Acta Astronautica<\/a>. Sein Beispiel zeigt, wie aus einer studentischen Arbeit ein international sichtbarer Forschungsbeitrag entstehen kann.<\/p>\n\t\t<\/div>\n\t<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":" Lokale KI-Anwendungen m\u00fcssen meist mit wenig Energie klarkommen. Ist ein Netzwerk inspiriert von der Natur darum effizienter? Forschende der HSLU haben’s getestet.<\/p>\n","protected":false},"author":189,"featured_media":1542,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"_relevanssi_hide_post":"","_relevanssi_hide_content":"","_relevanssi_pin_for_all":"","_relevanssi_pin_keywords":"","_relevanssi_unpin_keywords":"","_relevanssi_related_keywords":"","_relevanssi_related_include_ids":"","_relevanssi_related_exclude_ids":"","_relevanssi_related_no_append":"","_relevanssi_related_not_related":"","_relevanssi_related_posts":"1476,1448,698,1208,1286,1219","_relevanssi_noindex_reason":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[21,16,88],"tags":[82,32,63,149,150],"class_list":["post-1531","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-daten","category-energie","category-forschung-und-entwicklung","tag-automatisierung","tag-digitalisierung","tag-kuenstliche-intelligenz","tag-sensortechnologie","tag-space"],"acf":[],"yoast_head":"\n\n
Vorbilder aus der Natur nutzen<\/strong><\/h2>\n\n\n\n
![\"\"](\"https:\/\/hub.hslu.ch\/ta-blog\/wp-content\/uploads\/sites\/4\/2026\/09\/TA_CCISN_VSTB_KI-10-1024x683.jpg\")
<\/figure>\n\n\n\nWas bedeutet neuromorphe Hardware?<\/strong><\/summary>\n
\n
Drei Faktoren machen den Unterschied<\/strong><\/h2>\n\n\n\n
![\"\"](\"https:\/\/hub.hslu.ch\/ta-blog\/wp-content\/uploads\/sites\/4\/2026\/09\/TA_CCISN_VSTB_KI-02-1024x683.jpg\")
<\/figure>\n\n\n\nWarum Weltraumbilder gut zu Spikes passen<\/summary>\n
Sollte man jetzt auf SNNs setzen?<\/strong><\/h2>\n\n\n\n
![\"\"](\"https:\/\/hub.hslu.ch\/ta-blog\/wp-content\/uploads\/sites\/4\/2026\/09\/TA_CCISN_VSTB_KI-05-1024x683.jpg\")
<\/figure>\n\n\n\n\n
Von der Berufslehre zum KI-Forscher<\/h2>\n
![\"\"](\"https:\/\/hub.hslu.ch\/ta-blog\/wp-content\/uploads\/sites\/4\/2026\/09\/TA_CCISN_VSTB_KI-07-300x200.jpg\")
<\/p>\n