Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-07-06T16:29:15Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}

{{BR}}
= Einleitung =

'''TTA für [[Gepulste neuronale Netze|Spiking Neural Networks]]''' verbindet zwei Zukunftsthemen der [[Künstliche Intelligenz|Künstlichen Intelligenz]]: [[Test-Time Adaptation|Test-Time Adaptation]] und [[Neuromorphic Computing|neuromorphes Rechnen]]. In diesem aiMOOC geht es darum, wie [[Neuronale Netze|neuronale Netze]] neu gedacht werden können, wenn sie nicht mehr nur mit kontinuierlichen Aktivierungen rechnen, sondern mit kurzen zeitlich geordneten [[Spike|Spikes]]. Du lernst, warum [[Verteilungsverschiebung|Verteilungsverschiebungen]] beim Einsatz von KI-Modellen problematisch sind, wie [[Test-Time Adaptation|TTA]] darauf reagiert und warum [[Gepulste neuronale Netze|SNNs]] besondere Anpassungsstrategien brauchen.

{{#ev:youtube| https://www.youtube.com/watch?v=H5ckm1RozGc |500|center}}

Das Video dient als Impuls: Es behandelt '''adaptives Spiking''' und zeigt, warum [[Test-Time Adaptation|TTA]] für [[Neuromorphic Computing|neuromorphe Netze]] ein spannender Forschungsbereich ist. Im Mittelpunkt steht die Frage, wie ein Modell während der [[Inferenz|Testphase]] mit neuen Bedingungen umgehen kann, ohne vollständig neu trainiert zu werden.

[[Datei:Neuron.svg|500px|rahmenlos|center]]

Ein biologisches [[Neuron]] inspiriert viele Modelle der [[Computational Neuroscience|Computational Neuroscience]]. [[Gepulste neuronale Netze|Spiking Neural Networks]] übertragen diese Idee in die [[Künstliche Intelligenz|KI]]: Ein künstliches Neuron sammelt Signale, verändert sein [[Membranpotential]] und sendet einen [[Spike]], sobald ein [[Schwellenwert]] überschritten wird.

{{BR}}
= Lernziele =

Nach diesem aiMOOC kannst Du erklären, was [[Test-Time Adaptation|TTA]] bedeutet, warum [[Distribution Shift|Distribution Shifts]] in realen Anwendungen auftreten und wie [[Gepulste neuronale Netze|Spiking Neural Networks]] anders arbeiten als klassische [[Künstliches neuronales Netz|künstliche neuronale Netze]]. Du kannst den Zusammenhang zwischen [[Spike|Spikes]], [[Membranpotential]], [[Schwellenwert]], [[Latenz]], [[Energieeffizienz]] und [[Robustheit]] beschreiben. Außerdem kannst Du einfache Konzepte für adaptive [[Edge AI|Edge-KI]] entwerfen und kritisch bewerten, welche Risiken entstehen, wenn sich ein Modell während des Einsatzes selbst anpasst.

{{BR}}
= Grundlagen: Neuronale Netze neu denken =

[[Künstliches neuronales Netz|Künstliche neuronale Netze]] verarbeiten Informationen meist als kontinuierliche Zahlenwerte. In vielen klassischen [[Deep Learning|Deep-Learning]]-Modellen fließen Aktivierungen Schicht für Schicht durch ein Netz. Diese Modelle erreichen in vielen Bereichen hohe Leistungen, benötigen aber oft viel [[Rechenleistung]], [[Speicher]] und [[Energie]]. Für Anwendungen auf kleinen Geräten, etwa in [[Robotik]], [[Wearable|Wearables]], [[Sensorik]], [[Autonomes Fahren|autonomen Systemen]] oder [[Internet der Dinge|IoT]], ist das problematisch.

[[Gepulste neuronale Netze|Spiking Neural Networks]] verfolgen einen anderen Ansatz: Sie verarbeiten Informationen ereignisgetrieben. Ein Neuron ist nicht in jedem Rechenschritt gleich aktiv, sondern sendet nur dann einen kurzen Impuls, wenn genügend Eingangssignale zusammenkommen. Dadurch wird nicht nur die Stärke eines Signals wichtig, sondern auch sein Zeitpunkt. [[Zeitliche Codierung]], [[Sparsity|Sparsamkeit der Aktivierung]] und [[Ereignisgesteuerte Verarbeitung|ereignisgesteuerte Verarbeitung]] werden zu zentralen Konzepten.

[[Datei:Artificial neural network.svg|500px|rahmenlos|center]]

Ein klassisches [[Künstliches neuronales Netz|ANN]] besteht aus Eingabe-, versteckten und Ausgabeschichten. Ein [[Gepulste neuronale Netze|SNN]] kann ebenfalls geschichtet sein, aber seine Neuronen kommunizieren über zeitliche [[Spike|Spikes]] statt über durchgehend weitergereichte kontinuierliche Aktivierungen.

{{BR}}
= Spiking Neural Networks =

[[Gepulste neuronale Netze|Spiking Neural Networks]] werden oft als dritte Generation neuronaler Netze beschrieben. Die erste Generation nutzte einfache binäre Schwellenmodelle, die zweite Generation arbeitet mit kontinuierlichen Aktivierungsfunktionen, und die dritte Generation bezieht die Zeitstruktur einzelner Impulse ein. Der zentrale Gedanke lautet: Information liegt nicht nur darin, '''ob''' ein Signal stark ist, sondern auch darin, '''wann''' es auftritt.

[[Datei:Leaky Integrate-and-Fire model neuron (schematic).jpg|500px|rahmenlos|center]]

Ein wichtiges Grundmodell ist das [[Leaky Integrate-and-Fire-Modell]]. Es beschreibt ein künstliches Neuron, das Eingänge integriert, dessen [[Membranpotential]] aber mit der Zeit wieder abklingt. Sobald das [[Membranpotential]] einen [[Schwellenwert]] erreicht, feuert das Neuron einen [[Spike]] und wird anschließend zurückgesetzt. Diese einfache Idee macht deutlich, warum [[SNN|SNNs]] sowohl [[Gedächtnis]] über kurze Zeiträume als auch ereignisgesteuerte Aktivität besitzen.

{{BR}}
== Zentrale Begriffe ==

# [[Spike]]: Ein kurzer Impuls, mit dem ein spikendes Neuron Information weitergibt.
# [[Membranpotential]]: Ein innerer Zustand des Neurons, der Eingangssignale sammelt und mit der Zeit abklingen kann.
# [[Schwellenwert]]: Der Wert, ab dem ein Neuron feuert.
# [[Reset]]: Das Zurücksetzen des Neurons nach einem Spike.
# [[Synapse]]: Die Verbindung zwischen Neuronen, über die Signale gewichtet übertragen werden.
# [[Spike-Timing-Dependent Plasticity|STDP]]: Eine Lernregel, bei der die zeitliche Reihenfolge von Spikes die Veränderung synaptischer Gewichte beeinflusst.
# [[Sparsity]]: Die Eigenschaft, dass nur wenige Neuronen zu einem Zeitpunkt aktiv sind.
# [[Neuromorphic Computing]]: Hardware- und Software-Ansätze, die sich an biologischen Nervensystemen orientieren.

[[Datei:Stdp biological.svg|500px|rahmenlos|center]]

[[Spike-Timing-Dependent Plasticity|STDP]] ist ein Beispiel dafür, dass bei spikenden Systemen die zeitliche Beziehung zwischen Signalen wichtig ist. Wenn ein Eingangssignal kurz vor einem Ausgangssignal auftritt, kann dies anders bewertet werden als ein Signal, das danach kommt.

{{BR}}
= Neuromorphes Rechnen =

[[Neuromorphic Computing|Neuromorphes Rechnen]] bezeichnet Rechenarchitekturen, die Strukturen und Prinzipien biologischer Nervensysteme nachbilden. Solche Systeme sollen [[Rechnen]] und [[Speicher]] näher zusammenbringen, asynchron arbeiten und nur dann Energie verbrauchen, wenn relevante Ereignisse auftreten. Das ist besonders interessant für [[Edge AI|Edge-KI]], bei der Modelle direkt auf kleinen Geräten laufen sollen.

[[Datei:Core Top-Level Microarchitecture.png|500px|rahmenlos|center]]

Während klassische Rechner häufig durch den Datentransfer zwischen [[Prozessor]] und [[Arbeitsspeicher]] begrenzt werden, versuchen neuromorphe Architekturen diesen Engpass zu reduzieren. [[Gepulste neuronale Netze|SNNs]] passen gut zu solchen Architekturen, weil sie ereignisgetrieben und zeitabhängig arbeiten. Das bedeutet jedoch nicht, dass SNNs automatisch in jeder Aufgabe besser sind. Ihre Vorteile zeigen sich besonders bei [[Zeitreihe|Zeitreihen]], [[Sensorfusion]], [[Sprachsignalverarbeitung]], [[Bewegungserkennung]], [[Anomalieerkennung]] und energiebegrenzten Anwendungen.

{{BR}}
= Test-Time Adaptation =

[[Test-Time Adaptation|Test-Time Adaptation]] bedeutet, dass ein bereits trainiertes Modell während der Test- oder Einsatzphase an neue Daten angepasst wird. Das Modell sieht dann normalerweise keine gelabelten Zielbeispiele und häufig auch keine ursprünglichen Trainingsdaten. Es muss also aus unbeschrifteten Testdaten Hinweise ableiten, wie es sich an eine neue Umgebung anpassen kann.

Ein typisches Problem ist der [[Distribution Shift|Distribution Shift]]. Das Modell wurde zum Beispiel mit klaren Bildern trainiert, wird aber später mit verrauschten, verschwommenen oder anders beleuchteten Bildern eingesetzt. In einem [[Sensor|Sensorsystem]] kann sich die Umgebung durch Wetter, Alterung der Sensoren, neue Geräusche, andere Kameras, Bewegungsunschärfe oder veränderte Nutzergewohnheiten verändern. Ohne Anpassung kann die Genauigkeit stark sinken.

'''Achtung:''' [[TTA]] kann in anderen Kontexten auch [[Test-Time Augmentation]] bedeuten. In diesem aiMOOC steht [[TTA]] für '''[[Test-Time Adaptation]]'''.

{{BR}}
== Formen der Test-Time Adaptation ==

# [[Batch Adaptation]]: Das Modell passt sich an eine Gruppe von Testbeispielen an.
# [[Online Learning|Online-Test-Time Adaptation]]: Das Modell passt sich fortlaufend an neue Datenströme an.
# [[Source-Free Domain Adaptation|Source-Free Adaptation]]: Die ursprünglichen Trainingsdaten stehen nicht mehr zur Verfügung.
# [[Continual Learning|Continual Test-Time Adaptation]]: Das Modell muss über längere Zeiträume mit wechselnden Bedingungen umgehen.
# [[Unsupervised Learning|Unüberwachte Anpassung]]: Die Zielbeispiele haben keine Labels.

{{BR}}
= Warum TTA für SNNs besonders ist =

Viele [[Test-Time Adaptation|TTA]]-Methoden wurden zunächst für klassische [[Künstliches neuronales Netz|ANNs]] entwickelt. Dort werden oft [[Batch Normalization|Normalisierungsstatistiken]], [[Entropie|Vorhersageentropie]], [[Pseudo-Label|Pseudo-Labels]] oder [[Selbstüberwachtes Lernen|selbstüberwachte Signale]] angepasst. Bei [[Gepulste neuronale Netze|SNNs]] kommen zusätzliche Besonderheiten hinzu.

Ein [[SNN]] verarbeitet Daten über mehrere Zeitschritte. Seine Aktivität ist häufig [[Sparsity|spärlich]], also nicht in jedem Schritt vorhanden. Die [[Spike|Spikes]] sind diskret, das [[Membranpotential]] ist zustandsbehaftet und die genaue [[Zeitliche Codierung|Zeitstruktur]] kann entscheidend sein. Deshalb reicht es nicht immer, nur die Klassenwahrscheinlichkeit am Ende des Modells anzupassen. Eine gute TTA-Methode für SNNs sollte auch berücksichtigen, wie sich die [[Spike-Muster]], lokalen Feature-Maps, Schwellenwerte und zeitlichen Dynamiken während der Inferenz verändern.

[[Datei:Pulsed neuron model.jpg|500px|rahmenlos|center]]

Das Bild verdeutlicht die Idee eines gepulsten Neurons: Eingangssignale sammeln sich, ein Schwellenwert wird überschritten und ein Impuls wird ausgelöst. In der [[Test-Time Adaptation|TTA]] kann gerade dieser Schwellenmechanismus eine wichtige Rolle spielen.

{{BR}}
= Adaptives Spiking =

'''Adaptives Spiking''' beschreibt die Idee, dass spikende Modelle ihre interne Dynamik an neue Bedingungen anpassen. Dabei kann sich zum Beispiel der [[Schwellenwert]] verändern, die Normalisierung der Aktivität kann aktualisiert werden oder die Konsistenz zeitlicher [[Spike-Muster]] kann verbessert werden. Ziel ist nicht, ein Modell vollständig neu zu trainieren, sondern es im Einsatz stabiler, robuster und energiesparender zu machen.

Ein vereinfachtes Beispiel: Ein [[SNN]] wurde für die Erkennung von Handgesten mit einem [[Event-Kamera|Ereignissensor]] trainiert. Im Labor sind Lichtverhältnisse und Hintergrund relativ stabil. In der realen Anwendung gibt es aber andere Beleuchtung, schnellere Bewegungen und mehr Rauschen. Durch [[Test-Time Adaptation|TTA]] kann das Modell seine internen Statistiken oder Schwellen so anpassen, dass es trotz veränderter Spike-Ströme zuverlässiger bleibt.

{{BR}}
== Beispielhafte TTA-Strategien für SNNs ==

{| class="wikitable"
! Strategie
! Grundidee
! Nutzen
! Risiko
|-
| [[Entropieminimierung]]
| Das Modell wird so angepasst, dass Vorhersagen sicherer werden.
| Kann Unsicherheit bei leichten Störungen verringern.
| Kann falsche Sicherheit verstärken.
|-
| [[Konsistenzregularisierung]]
| Verschiedene Ansichten desselben Testbeispiels sollen ähnliche Ausgaben erzeugen.
| Fördert robuste Merkmale.
| Falsche Augmentationen können schaden.
|-
| [[Spike-aware Consistency]]
| Die zeitlichen Spike-Muster oder Feature-Maps sollen konsistent bleiben.
| Berücksichtigt die Dynamik von SNNs.
| Erfordert sorgfältige Auswahl relevanter Spike-Repräsentationen.
|-
| [[Schwellenmodulation]]
| Der Feuerschwellenwert wird an neue Eingangsbedingungen angepasst.
| Passt gut zu neuromorpher Hardware.
| Zu starke Anpassung kann Aktivität unterdrücken oder übersteigern.
|-
| [[Membranpotential|Membranpotential-Ausrichtung]]
| Interne Membranpotential-Verteilungen werden zwischen Bedingungen angeglichen.
| Nutzt die Zustandsdynamik des SNN.
| Kann bei stark falschen Zielverteilungen instabil werden.
|}

{{BR}}
= Forschungsbeispiele =

In der aktuellen Forschung werden verschiedene Wege untersucht, um [[Test-Time Adaptation|TTA]] für [[Gepulste neuronale Netze|SNNs]] speziell zu gestalten. Verfahren wie '''SPACE''' nutzen spike-bewusste Konsistenz: Das Modell betrachtet augmentierte Varianten eines einzelnen Testbeispiels und versucht, lokale spike-basierte Merkmalskarten stabil zu halten. Andere Ansätze wie '''Threshold Modulation''' verändern den Feuerschwellenwert dynamisch, damit das Netzwerk bei veränderten Eingabeverteilungen besser generalisiert. In der [[Brain-Computer Interface|Brain-Computer-Interface]]-Forschung werden zudem Methoden untersucht, die [[Membranpotential|Membranpotentiale]] ausrichten, um tägliche Verschiebungen neuronaler Signale auszugleichen.

Diese Beispiele zeigen: [[TTA]] für [[SNNs]] ist kein einzelner Trick, sondern ein Forschungsfeld zwischen [[Maschinelles Lernen|maschinellem Lernen]], [[Neurowissenschaft]], [[Hardwaredesign]], [[Signalverarbeitung]] und [[Robuste KI|robuster KI]].

{{BR}}
= Didaktisches Modell: Vom Training zum Einsatz =

Stell Dir ein kleines Gerät vor, das mit einer [[Event-Kamera]] Bewegungen erkennen soll. Im Training sieht das Modell saubere Beispiele. Später wird es in einer Fabrikhalle eingesetzt. Dort gibt es flackerndes Licht, Vibrationen und Staub. Die Eingabedaten ändern sich. Ein klassisches Modell würde dieselben festen Parameter verwenden und könnte häufiger falsch entscheiden. Ein adaptives [[SNN]] könnte dagegen während der [[Inferenz]] vorsichtig nachjustieren, etwa indem es Aktivitätsstatistiken beobachtet, die [[Entropie]] seiner Vorhersage bewertet oder die [[Schwelle]] für das Feuern anpasst.

{{BR}}
== Vereinfachter Ablauf ==

{| class="wikitable"
! Phase
! Was passiert?
! Zentrale Frage
|-
| [[Training]]
| Das SNN lernt aus Quell-Daten.
| Welche Spike-Muster passen zu welchen Klassen?
|-
| [[Deployment]]
| Das Modell wird auf einem Gerät eingesetzt.
| Sind die Einsatzdaten ähnlich wie die Trainingsdaten?
|-
| [[Distribution Shift]]
| Licht, Rauschen, Sensorik oder Umgebung ändern sich.
| Verschiebt sich die Datenverteilung?
|-
| [[Test-Time Adaptation]]
| Das Modell passt sich mit unbeschrifteten Testdaten an.
| Welche Parameter oder Zustände dürfen verändert werden?
|-
| [[Monitoring]]
| Die Anpassung wird überwacht.
| Bleibt das Modell stabil, fair und sicher?
|}

{{BR}}
= Chancen =

[[Test-Time Adaptation|TTA]] für [[Gepulste neuronale Netze|SNNs]] kann [[Edge AI|Edge-KI]] robuster machen. Geräte könnten sich an neue Umgebungen, alternde Sensoren oder veränderte Nutzergewohnheiten anpassen, ohne ständig Daten in die [[Cloud Computing|Cloud]] zu übertragen. Das stärkt [[Datenschutz]], senkt [[Latenz]] und kann den [[Energieverbrauch]] reduzieren. Besonders interessant ist dies für [[Robotik]], [[Medizintechnik]], [[Industrie 4.0]], [[Autonomes Fahren]], [[Umweltmonitoring]], [[Wearable|Wearables]] und [[Brain-Computer Interface|Brain-Computer Interfaces]].

{{BR}}
= Grenzen und Risiken =

TTA ist kein Allheilmittel. Wenn ein Modell aus falschen Vorhersagen lernt, kann es Fehler verstärken. Dieses Problem wird oft [[Error Accumulation|Fehlerakkumulation]] genannt. Auch [[Catastrophic Forgetting|katastrophales Vergessen]] kann auftreten, wenn ein Modell sich zu stark an neue Daten anpasst und dabei nützliches Vorwissen verliert. Bei sicherheitskritischen Anwendungen muss daher klar geregelt sein, wann ein Modell sich anpassen darf, welche Parameter verändert werden, wann ein [[Fallback-System]] greift und wie die Anpassung dokumentiert wird.

{{BR}}
= Merksatz =

'''[[Test-Time Adaptation|TTA]] für [[Gepulste neuronale Netze|Spiking Neural Networks]] bedeutet: Ein ereignisgetriebenes Modell soll während der [[Inferenz]] vorsichtig lernen, mit neuen Datenverteilungen umzugehen, ohne seine Stabilität, Energieeffizienz und Sicherheit zu verlieren.'''

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==

{{MC}}

'''Was bedeutet TTA in diesem aiMOOC?'''
(Test-Time Adaptation)
(!Test-Time Animation)
(!Training-Time Automation)
(!Temporal Token Alignment)

{{E}}
<br>

{{MC}}

'''Was ist ein zentrales Merkmal von Spiking Neural Networks?'''
(Information wird über zeitlich geordnete Spikes verarbeitet)
(!Alle Neuronen senden in jedem Rechenschritt kontinuierliche Werte)
(!Sie benötigen immer gelabelte Testdaten)
(!Sie funktionieren nur ohne Synapsen)

{{E}}
<br>

{{MC}}

'''Was beschreibt ein Distribution Shift?'''
(Trainingsdaten und Einsatzdaten stammen aus unterschiedlichen Verteilungen)
(!Das Modell wird absichtlich kleiner gemacht)
(!Die Lernrate bleibt während des Trainings konstant)
(!Ein Datensatz wird alphabetisch sortiert)

{{E}}
<br>

{{MC}}

'''Warum ist TTA für SNNs besonders anspruchsvoll?'''
(Spike-Zeit, Sparsity und Membranpotential sind wichtig)
(!SNNs haben keine zeitliche Dynamik)
(!SNNs bestehen nur aus Textdaten)
(!TTA verändert immer die Hardware physisch)

{{E}}
<br>

{{MC}}

'''Was ist der Firing Threshold?'''
(Die Schwelle, ab der ein Neuron einen Spike sendet)
(!Die maximale Größe eines Trainingsdatensatzes)
(!Der Name einer Optimierungsdatenbank)
(!Ein Verfahren zum Löschen von Sensoren)

{{E}}
<br>

{{MC}}

'''Was bedeutet source-free in der Test-Time Adaptation?'''
(Die ursprünglichen Trainingsdaten stehen nicht zur Verfügung)
(!Das Modell nutzt keine Eingabedaten)
(!Alle Daten sind mit Labels versehen)
(!Die Hardware braucht keine Energie)

{{E}}
<br>

{{MC}}

'''Welches Risiko kann bei TTA auftreten?'''
(Falsche Vorhersagen können weiter verstärkt werden)
(!Alle Fehler verschwinden automatisch)
(!Das Modell wird immer erklärbarer)
(!Das Modell verliert jede Zeitabhängigkeit)

{{E}}
<br>

{{MC}}

'''Was soll Entropieminimierung bei TTA häufig bewirken?'''
(Unsichere Vorhersagen sollen sicherer werden)
(!Die Anzahl der Sensoren soll verdoppelt werden)
(!Alle Spikes sollen gelöscht werden)
(!Die Trainingsdaten sollen beschriftet werden)

{{E}}
<br>

{{MC}}

'''Warum sind SNNs für neuromorphe Hardware interessant?'''
(Sie passen zu ereignisgetriebener und energieeffizienter Verarbeitung)
(!Sie benötigen grundsätzlich Cloud-Rechenzentren)
(!Sie arbeiten nur mit langen Texten)
(!Sie verbieten zeitliche Codierung)

{{E}}
<br>

{{MC}}

'''Was ist bei sicherheitskritischer TTA besonders wichtig?'''
(Überwachung und eine Rückfallstrategie)
(!Unbegrenzte Selbstanpassung ohne Kontrolle)
(!Das Ignorieren von Fehlern)
(!Das Abschalten aller Prüfungen)

{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Spike || kurzer Impuls
|-
| Membranpotential || aufaddierte Erregung
|-
| Schwellenwert || Auslösegrenze
|-
| Distribution Shift || veränderte Datenverteilung
|-
| Source Free || ohne Quelldaten
|-
| Entropie || Unsicherheit der Vorhersage
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Trainingsdomäne'''
| Datenumgebung beim Lernen
|-
| '''Testdomäne'''
| Datenumgebung beim Einsatz
|-
| '''Spike'''
| kurzer binärer Impuls
|-
| '''Membranpotential'''
| innerer Aktivierungszustand
|-
| '''Schwellenmodulation'''
| Anpassung der Feuerauslösung

|}
{{E}}

<br>
<br />

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Spikes || Wie heißen kurze Impulse in SNNs?
|-
| Schwelle || Was muss beim spikenden Neuron überschritten werden?
|-
| Synapse || Welche Verbindung überträgt Signale zwischen Neuronen?
|-
| Entropie || Welcher Begriff beschreibt häufig die Unsicherheit einer Vorhersage?
|-
| Robustheit || Wie nennt man die Fähigkeit, trotz Störungen zuverlässig zu bleiben?
|-
| Sensorik || In welchem Anwendungsfeld entstehen häufig Zeitreihen aus Messdaten?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=TTA+fuer+Spiking+Neural+Networks </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Bei einem Spiking Neural Network wird Information häufig durch zeitlich geordnete { Spikes } verarbeitet. Ein künstliches spikendes Neuron sammelt Eingangssignale im { Membranpotential }. Wenn eine kritische { Schwelle } überschritten wird, sendet das Neuron einen Impuls aus. Test-Time Adaptation passt ein Modell während der { Inferenz } an neue Daten an. Besonders wichtig ist sie bei einer { Verteilungsverschiebung }, weil Trainingsdaten und Einsatzdaten nicht gleich verteilt sind. Source-Free-Verfahren nutzen keine originalen { Trainingsdaten } aus der Quelle. Eine mögliche Strategie ist die Anpassung des { Schwellenwerts } an veränderte Eingaben. Spike-aware Verfahren beachten nicht nur Klassenwahrscheinlichkeiten, sondern auch { Spike-Muster }. Für den praktischen Einsatz sind geringe { Latenz } und niedriger Energieverbrauch wichtig. In sicherheitskritischen Anwendungen braucht TTA eine kontrollierte { Überwachung }.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===

# [[Begriffskarte]]: Erstelle eine Begriffskarte zu [[Spike]], [[Membranpotential]], [[Schwellenwert]], [[Distribution Shift]] und [[Test-Time Adaptation]]. Schreibe zu jedem Begriff eine kurze Erklärung und ein eigenes Beispiel.
# [[Videoanalyse]]: Sieh Dir das eingebettete Video an und notiere drei Aussagen, die erklären, warum [[Neuronale Netze|neuronale Netze]] neu gedacht werden können.
# [[Skizze]]: Zeichne ein einfaches spikendes Neuron mit Eingangssignalen, [[Membranpotential]], [[Schwellenwert]], [[Spike]] und [[Reset]].
# [[Alltagsbeispiel]]: Beschreibe ein Gerät aus Deinem Alltag, bei dem [[Edge AI|lokale KI]] nützlich wäre. Erkläre, warum [[Energieeffizienz]] und [[Latenz]] dort wichtig sind.

{{BR}}
=== Standard ===

# [[Szenarioanalyse]]: Entwickle ein Szenario, in dem ein KI-Modell durch [[Distribution Shift]] schlechter wird. Erkläre, welche Form von [[Test-Time Adaptation|TTA]] helfen könnte.
# [[Vergleich]]: Vergleiche ein klassisches [[Künstliches neuronales Netz|ANN]] und ein [[Gepulste neuronale Netze|SNN]] in Bezug auf Aktivierung, Zeitverarbeitung, Energiebedarf und Hardware.
# [[Pseudocode]]: Schreibe einen verständlichen Pseudocode für eine einfache [[Test-Time Adaptation|TTA]]-Schleife, die unbeschriftete Testdaten verarbeitet und eine Anpassung nur bei hoher Unsicherheit erlaubt.
# [[Datenethik]]: Diskutiere, warum source-free Anpassung für [[Datenschutz]] vorteilhaft sein kann, aber trotzdem neue Risiken für [[Sicherheit]] und [[Verantwortung]] erzeugt.

{{BR}}
=== Schwer ===

# [[Forschungsdesign]]: Entwirf ein Experiment, mit dem Du die Robustheit eines [[Gepulste neuronale Netze|SNN]] vor und nach [[Test-Time Adaptation|TTA]] bei verrauschten Sensordaten untersuchen würdest.
# [[Methodenvergleich]]: Vergleiche [[Entropieminimierung]], [[Konsistenzregularisierung]] und [[Schwellenmodulation]] für adaptive SNNs. Begründe, welche Methode für ein energiearmes Gerät am besten geeignet sein könnte.
# [[Risikoanalyse]]: Entwickle eine Sicherheitsstrategie für ein adaptives SNN in einem [[Medizintechnik|medizinischen]] oder [[Autonomes Fahren|autonomen]] System. Berücksichtige Monitoring, Fallback und Dokumentation.
# [[Wissenschaftskommunikation]]: Gestalte ein Poster oder ein kurzes Erklärvideo zum Thema '''Adaptives Spiking'''. Zielgruppe sind Lernende, die [[Künstliche Intelligenz|KI]] kennen, aber noch keine [[Neurowissenschaft]] studiert haben.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Transferaufgabe]]: Erkläre an einem selbst gewählten Beispiel, warum ein Modell trotz guter Trainingsleistung im realen Einsatz scheitern kann. Verwende dabei die Begriffe [[Distribution Shift]], [[Inferenz]] und [[Test-Time Adaptation]].
# [[Systementwurf]]: Skizziere ein adaptives [[Edge AI|Edge-KI]]-System mit [[Gepulste neuronale Netze|SNN]], Sensor, TTA-Komponente und Monitoring. Erkläre, welche Daten lokal verarbeitet werden.
# [[Methodenkritik]]: Beurteile, warum die reine Minimierung von [[Entropie]] problematisch sein kann, wenn ein Modell bereits falsche Vorhersagen macht.
# [[Vergleichsleistung]]: Übertrage die Idee der [[Schwellenmodulation]] auf ein Alltagssystem, das seine Empfindlichkeit anpassen muss. Erkläre Gemeinsamkeiten und Grenzen der Analogie.
# [[Ethik und Sicherheit]]: Entwickle Regeln dafür, wann ein adaptives KI-System seine Parameter verändern darf und wann es in einen sicheren Zustand zurückfallen muss.
# [[Interpretation]]: Du erhältst zwei Spike-Raster eines SNN vor und nach einer Störung. Beschreibe, welche Veränderungen auf einen Distribution Shift hinweisen könnten und welche Anpassung sinnvoll wäre.

<br>
<br>

{{BR}}
= Lernnachweis =

Für einen überzeugenden Lernnachweis zu '''TTA für [[Gepulste neuronale Netze|Spiking Neural Networks]]''' solltest Du zeigen, dass Du die Grundidee von [[SNNs]] und [[Test-Time Adaptation|TTA]] verstanden hast, zentrale Fachbegriffe korrekt verwendest und Zusammenhänge auf neue Beispiele übertragen kannst. Wichtig ist nicht nur Faktenwissen, sondern Deine Fähigkeit, ein adaptives System begründet zu entwerfen und kritisch zu bewerten.

# [[Fachsprache]]: Du erklärst [[Spike]], [[Membranpotential]], [[Schwellenwert]], [[Distribution Shift]], [[Inferenz]], [[Source-Free Domain Adaptation]] und [[Robustheit]] korrekt.
# [[Modellverständnis]]: Du beschreibst, warum SNNs zeitliche Dynamik besitzen und warum dies für TTA relevant ist.
# [[Transfer]]: Du wendest die Konzepte auf ein neues Einsatzszenario an, zum Beispiel [[Robotik]], [[Sensorik]], [[Medizintechnik]] oder [[Wearable|Wearables]].
# [[Methodenbewertung]]: Du vergleichst mindestens zwei TTA-Strategien und erklärst deren Chancen und Risiken.
# [[Visualisierung]]: Du erstellst eine Skizze, ein Diagramm oder ein Spike-Raster, das den Ablauf von Training, Distribution Shift und Test-Time Adaptation zeigt.
# [[Reflexion]]: Du formulierst Sicherheitsregeln für adaptive KI-Systeme und begründest, warum unkontrollierte Selbstanpassung gefährlich sein kann.

<br>
<br>

{{BR}}
= OERs zum Thema =

<iframe> https://de.m.wikipedia.org/wiki/Gepulste_neuronale_Netze </iframe>

<br>

<iframe> https://de.m.wikipedia.org/wiki/Neuromorphic_Engineering </iframe>

<br>

<iframe> https://de.m.wikipedia.org/wiki/Domain_adaptation </iframe>

<br>

{{BR}}
= Links =

{| align=center
{{:D-Tab}}
'''[[TTA für Spiking Neural Networks]]'''
# [[Test-Time Adaptation]]
# [[Gepulste neuronale Netze]]
# [[Neuromorphic Computing]]
# [[Künstliche Intelligenz]]
# [[Maschinelles Lernen]]
# [[Distribution Shift]]
# [[Membranpotential]]
# [[Schwellenwert]]
# [[Spike-Timing-Dependent Plasticity]]
# [[Edge AI]]
# [[Robuste KI]]
# [[Sensorik]]
# [[Brain-Computer Interface]]
|}

[[Kategorie:Informatik]]
[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Maschinelles Lernen]]
[[Kategorie:Neuronale Netze]]
[[Kategorie:Neuromorphic Computing]]
[[Kategorie:Robotik]]
[[Kategorie:Medienbildung]]
[[Kategorie:Sekundarstufe II]]
[[Kategorie:Studium]]

{{BR}}
= aiMOOC-Projekte =

[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

TTA für Spiking Neural Networks - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt