TTA für Spiking Neural Networks

Einleitung

TTA für Spiking Neural Networks verbindet zwei Zukunftsthemen der Künstlichen Intelligenz: Test-Time Adaptation und neuromorphes Rechnen. In diesem aiMOOC geht es darum, wie neuronale Netze neu gedacht werden können, wenn sie nicht mehr nur mit kontinuierlichen Aktivierungen rechnen, sondern mit kurzen zeitlich geordneten Spikes. Du lernst, warum Verteilungsverschiebungen beim Einsatz von KI-Modellen problematisch sind, wie TTA darauf reagiert und warum 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 TTA für neuromorphe Netze ein spannender Forschungsbereich ist. Im Mittelpunkt steht die Frage, wie ein Modell während der Testphase mit neuen Bedingungen umgehen kann, ohne vollständig neu trainiert zu werden.

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

Lernziele

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

Grundlagen: Neuronale Netze neu denken

Künstliche neuronale Netze verarbeiten Informationen meist als kontinuierliche Zahlenwerte. In vielen klassischen 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, Wearables, Sensorik, autonomen Systemen oder IoT, ist das problematisch.

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, Sparsamkeit der Aktivierung und ereignisgesteuerte Verarbeitung werden zu zentralen Konzepten.

Ein klassisches ANN besteht aus Eingabe-, versteckten und Ausgabeschichten. Ein SNN kann ebenfalls geschichtet sein, aber seine Neuronen kommunizieren über zeitliche Spikes statt über durchgehend weitergereichte kontinuierliche Aktivierungen.

Spiking Neural Networks

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.

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 SNNs sowohl Gedächtnis über kurze Zeiträume als auch ereignisgesteuerte Aktivität besitzen.

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.
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.

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.

Neuromorphes Rechnen

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-KI, bei der Modelle direkt auf kleinen Geräten laufen sollen.

Während klassische Rechner häufig durch den Datentransfer zwischen Prozessor und Arbeitsspeicher begrenzt werden, versuchen neuromorphe Architekturen diesen Engpass zu reduzieren. 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 Zeitreihen, Sensorfusion, Sprachsignalverarbeitung, Bewegungserkennung, Anomalieerkennung und energiebegrenzten Anwendungen.

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. Das Modell wurde zum Beispiel mit klaren Bildern trainiert, wird aber später mit verrauschten, verschwommenen oder anders beleuchteten Bildern eingesetzt. In einem 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.

Formen der Test-Time Adaptation

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

Warum TTA für SNNs besonders ist

Viele TTA-Methoden wurden zunächst für klassische ANNs entwickelt. Dort werden oft Normalisierungsstatistiken, Vorhersageentropie, Pseudo-Labels oder selbstüberwachte Signale angepasst. Bei SNNs kommen zusätzliche Besonderheiten hinzu.

Ein SNN verarbeitet Daten über mehrere Zeitschritte. Seine Aktivität ist häufig spärlich, also nicht in jedem Schritt vorhanden. Die Spikes sind diskret, das Membranpotential ist zustandsbehaftet und die genaue 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.

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

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 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 TTA kann das Modell seine internen Statistiken oder Schwellen so anpassen, dass es trotz veränderter Spike-Ströme zuverlässiger bleibt.

Beispielhafte TTA-Strategien für SNNs

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-Ausrichtung	Interne Membranpotential-Verteilungen werden zwischen Bedingungen angeglichen.	Nutzt die Zustandsdynamik des SNN.	Kann bei stark falschen Zielverteilungen instabil werden.

Forschungsbeispiele

In der aktuellen Forschung werden verschiedene Wege untersucht, um TTA für 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-Forschung werden zudem Methoden untersucht, die Membranpotentiale ausrichten, um tägliche Verschiebungen neuronaler Signale auszugleichen.

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

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.

Vereinfachter Ablauf

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?

Chancen

TTA für SNNs kann Edge-KI robuster machen. Geräte könnten sich an neue Umgebungen, alternde Sensoren oder veränderte Nutzergewohnheiten anpassen, ohne ständig Daten in die 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, Wearables und Brain-Computer Interfaces.

Grenzen und Risiken

TTA ist kein Allheilmittel. Wenn ein Modell aus falschen Vorhersagen lernt, kann es Fehler verstärken. Dieses Problem wird oft Fehlerakkumulation genannt. Auch 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.

Merksatz

TTA für 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.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

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

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)

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)

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)

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)

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)

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)

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)

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)

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

Memory

Spike	kurzer Impuls
Membranpotential	aufaddierte Erregung
Schwellenwert	Auslösegrenze
Distribution Shift	veränderte Datenverteilung
Source Free	ohne Quelldaten
Entropie	Unsicherheit der Vorhersage

Drag and Drop

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

Kreuzworträtsel

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?

LearningApps

Lückentext

Bei einem Spiking Neural Network wird Information häufig durch zeitlich geordnete

verarbeitet. Ein künstliches spikendes Neuron sammelt Eingangssignale im

. Wenn eine kritische

überschritten wird, sendet das Neuron einen Impuls aus. Test-Time Adaptation passt ein Modell während der

an neue Daten an. Besonders wichtig ist sie bei einer

, weil Trainingsdaten und Einsatzdaten nicht gleich verteilt sind. Source-Free-Verfahren nutzen keine originalen

aus der Quelle. Eine mögliche Strategie ist die Anpassung des

an veränderte Eingaben. Spike-aware Verfahren beachten nicht nur Klassenwahrscheinlichkeiten, sondern auch

. Für den praktischen Einsatz sind geringe

und niedriger Energieverbrauch wichtig. In sicherheitskritischen Anwendungen braucht TTA eine kontrollierte

.

Offene Aufgaben

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 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 lokale KI nützlich wäre. Erkläre, warum Energieeffizienz und Latenz dort wichtig sind.

Standard

Szenarioanalyse: Entwickle ein Szenario, in dem ein KI-Modell durch Distribution Shift schlechter wird. Erkläre, welche Form von TTA helfen könnte.
Vergleich: Vergleiche ein klassisches ANN und ein SNN in Bezug auf Aktivierung, Zeitverarbeitung, Energiebedarf und Hardware.
Pseudocode: Schreibe einen verständlichen Pseudocode für eine einfache 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.

Schwer

Forschungsdesign: Entwirf ein Experiment, mit dem Du die Robustheit eines SNN vor und nach 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 medizinischen oder autonomen System. Berücksichtige Monitoring, Fallback und Dokumentation.
Wissenschaftskommunikation: Gestalte ein Poster oder ein kurzes Erklärvideo zum Thema Adaptives Spiking. Zielgruppe sind Lernende, die KI kennen, aber noch keine Neurowissenschaft studiert haben.

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-KI-System mit 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.

Lernnachweis

Für einen überzeugenden Lernnachweis zu TTA für Spiking Neural Networks solltest Du zeigen, dass Du die Grundidee von SNNs und 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 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.

OERs zum Thema

Links

TTA für Spiking Neural Networks

aiMOOC-Projekte

Schulfach+

Prüfungsliteratur 2026
Bundesland	Bücher	Kurzbeschreibung
Baden-Württemberg	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck Mittlere Reife Der Markisenmann - Jan Weiler oder Als die Welt uns gehörte - Liz Kessler Ein Schatten wie ein Leopard - Myron Levoy oder Pampa Blues - Rolf Lappert	Abitur Dorfrichter-Komödie über Wahrheit/Schuld; Roman über einen Ort und deutsche Geschichte. Mittlere Reife Wahllektüren (Roadtrip-Vater-Sohn / Jugendroman im NS-Kontext / Coming-of-age / Provinzroman).
Bayern	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Lustspiel über Machtmissbrauch und Recht; Roman als Zeitschnitt deutscher Geschichte an einem Haus/Grundstück.
Berlin/Brandenburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Der Biberpelz - Gerhart Hauptmann Heimsuchung - Jenny Erpenbeck	Abitur Gerichtskomödie; soziales Drama um Ausbeutung/Armut; Komödie/Satire um Diebstahl und Obrigkeit; Roman über Erinnerungsräume und Umbrüche.
Bremen	Abitur Nach Mitternacht - Irmgard Keun Mario und der Zauberer - Thomas Mann Emilia Galotti - Gotthold Ephraim Lessing oder Miss Sara Sampson - Gotthold Ephraim Lessing	Abitur Roman in der NS-Zeit (Alltag, Anpassung, Angst); Novelle über Verführung/Massenpsychologie; bürgerliche Trauerspiele (Moral, Macht, Stand).
Hamburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun	Abitur Justiz-/Machtkritik als Komödie; Großstadtroman der Weimarer Zeit (Rollenbilder, Aufstiegsträume, soziale Realität).
Hessen	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Heimsuchung - Jenny Erpenbeck Der Prozess - Franz Kafka	Abitur Gerichtskomödie; Fragmentdrama über Gewalt/Entmenschlichung; Erinnerungsroman über deutsche Brüche; moderner Roman über Schuld, Macht und Bürokratie.
Niedersachsen	Abitur Der zerbrochene Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun Die Marquise von O. - Heinrich von Kleist Über das Marionettentheater - Heinrich von Kleist	Abitur Schwerpunkt auf Drama/Roman sowie Kleist-Prosatext und Essay (Ehre, Gewalt, Unschuld; Ästhetik/„Anmut“).
Nordrhein-Westfalen	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Komödie über Wahrheit und Autorität; Roman als literarische „Geschichtsschichtung“ an einem Ort.
Saarland	Abitur Heimsuchung - Jenny Erpenbeck Furor - Lutz Hübner und Sarah Nemitz Bahnwärter Thiel - Gerhart Hauptmann	Abitur Erinnerungsroman an einem Ort; zeitgenössisches Drama über Eskalation/Populismus; naturalistische Novelle (Pflicht/Überforderung/Abgrund).
Sachsen (berufliches Gymnasium)	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Irrungen, Wirrungen - Theodor Fontane Der gute Mensch von Sezuan - Bertolt Brecht Heimsuchung - Jenny Erpenbeck Der Trafikant - Robert Seethaler	Abitur Mischung aus Klassiker-Drama, sozialem Drama, realistischem Roman, epischem Theater und Gegenwarts-/Erinnerungsroman; zusätzlich Coming-of-age im historischen Kontext.
Sachsen-Anhalt	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Themenfelder)	Abitur Schwerpunktsetzung über Themenfelder (u. a. Literatur um 1900; Sprache in politisch-gesellschaftlichen Kontexten), ohne feste Einzeltitel.
Schleswig-Holstein	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Recht/Gerechtigkeit und historische Tiefenschichten eines Ortes – umgesetzt über Drama und Gegenwartsroman.
Thüringen	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Orientierung am gemeinsamen Aufgabenpool)	Abitur In der Praxis häufig Orientierung am gemeinsamen Aufgabenpool; landesweite Einzeltitel je nach Vorgabe/Handreichung nicht einheitlich ausgewiesen.
Mecklenburg-Vorpommern	Abitur (Quelle aktuell technisch nicht abrufbar; Beteiligung am gemeinsamen Aufgabenpool bekannt)	Abitur Land beteiligt sich am länderübergreifenden Aufgabenpool; konkrete, veröffentlichte Einzeltitel konnten hier nicht ausgelesen werden.
Rheinland-Pfalz	Abitur (keine landesweit einheitliche Pflichtlektüre; schulische Auswahl)	Abitur Keine landesweite Einheitsliste; Auswahl kann schul-/kursbezogen erfolgen.