Spiking Neural Networks - Neuronale Netze neu denken

Einleitung

Spiking Neural Networks beziehungsweise Gepulste neuronale Netze sind ein Ansatz der Künstlichen Intelligenz, der neuronale Netze nicht nur als Rechenketten aus Zahlenwerten versteht, sondern als zeitliche Folge einzelner Spikes. Ein Spike ist ein kurzer Impuls, der zu einem bestimmten Zeitpunkt auftritt. Dadurch rücken Zeit, Ereignis, Signalverarbeitung, Neurowissenschaft und Informatik enger zusammen. Das Thema „Spiking Neural Networks / Neuronale Netze neu denken“ fragt also: Wie verändert sich maschinelles Lernen, wenn Informationen nicht dauerhaft in jedem Rechenschritt verarbeitet werden, sondern nur dann, wenn wirklich etwas passiert?

{{#ev:youtube|https://www.youtube.com/watch?v=jt3LOREZ6aY%7C500%7Ccenter}}

Das eingebundene Video führt in den Schwerpunkt Spiking Neural Networks: Die Zukunft ereignisbasierter Künstlicher Intelligenz ein. Der aiMOOC vertieft diese Perspektive: Du lernst, wie Spiking Neural Networks funktionieren, wie sie sich von klassischen künstlichen neuronalen Netzen unterscheiden, welche Rolle Biologie, Membranpotenzial, Synapse, Zeitkodierung, ereignisbasierte Sensorik und neuromorphe Hardware spielen und warum SNNs zwar vielversprechend, aber nicht automatisch besser als andere Deep-Learning-Modelle sind.

Lernziele

Nach diesem aiMOOC kannst Du Spiking Neural Networks fachlich einordnen, Grundprinzipien erklären und Chancen sowie Grenzen beurteilen. Du arbeitest dabei auf einem Niveau, das für die Sekundarstufe II, die Berufliche Bildung, ein Studium der Informatik, Data Science, Kognitionswissenschaft oder Robotik geeignet ist.

Grundverständnis: Du erklärst, was Spikes, Membranpotenzial, Schwellenwert, Reset und Refraktärzeit in einem einfachen SNN-Modell bedeuten.
Vergleichskompetenz: Du vergleichst klassische künstliche neuronale Netze mit gepulsten neuronalen Netzen.
Modellkompetenz: Du beschreibst das Leaky-Integrate-and-Fire-Modell als vereinfachtes Neuronenmodell.
Anwendungskompetenz: Du ordnest SNNs Anwendungen wie ereignisbasiertem Sehen, Robotik, Edge AI, Sensorfusion und neuromorpher Hardware zu.
Urteilskompetenz: Du bewertest, wann SNNs sinnvoll sein können und wann klassische neuronale Netze oder andere Verfahren geeigneter bleiben.

Vorwissen: Klassische neuronale Netze

Klassische Künstliche neuronale Netze bestehen aus vielen miteinander verbundenen Recheneinheiten, die häufig als Neuronen bezeichnet werden. In einem typischen Feedforward-Netz fließen Zahlenwerte von einer Eingabeschicht über eine oder mehrere verborgene Schichten zu einer Ausgabeschicht. Jedes künstliche Neuron berechnet aus gewichteten Eingaben eine Aktivierung. Diese Aktivierung wird über eine Aktivierungsfunktion wie ReLU, Sigmoidfunktion oder Softmax weitergegeben.

Bei vielen klassischen Deep-Learning-Modellen wird in festen Rechenschritten gearbeitet. Ein Bild wird beispielsweise als vollständiges Raster aus Pixeln verarbeitet, ein Text als Folge von Tokens, ein Audiosignal als Folge von Abtastwerten. Das Modell erhält Daten, berechnet viele Matrixoperationen und gibt eine Vorhersage aus. Dieses Prinzip ist sehr leistungsfähig, aber oft rechenintensiv. Besonders auf mobilen Geräten, in Robotern, in Sensoren oder in energiearmen Edge-Computing-Umgebungen kann die Frage wichtig werden, ob wirklich ständig alles berechnet werden muss.

Was sind Spiking Neural Networks?

Spiking Neural Networks sind neuronale Netze, in denen Neuronen Informationen als zeitlich verteilte Impulse austauschen. Statt kontinuierlich einen Aktivierungswert an die nächste Schicht weiterzugeben, sendet ein spikendes Neuron ein Ereignis, sobald sein innerer Zustand einen bestimmten Schwellenwert erreicht. Dieser innere Zustand wird häufig als Membranpotenzial modelliert.

Gepulste neuronale Netze werden oft als dritte Generation künstlicher neuronaler Netze beschrieben. Die erste Generation arbeitete mit diskreten Schwellenwerten, die zweite Generation mit kontinuierlichen Aktivierungen, und die dritte Generation nutzt zusätzlich die genaue zeitliche Struktur von Impulsen. Diese Einordnung ist eine Vereinfachung, hilft aber beim Verständnis: SNNs ergänzen die Frage „Wie stark ist ein Signal?“ durch die Frage „Wann tritt ein Signal auf?“.

Warum Ereignisse wichtig sind

Viele natürliche Informationsprozesse sind ereignisbasiert. In der Biologie feuern Nervenzellen Aktionspotenziale nicht in jedem beliebigen Moment, sondern dann, wenn eine Kombination aus Erregung, Hemmung und innerem Zustand einen Schwellenwert überschreitet. Auch technische Sensoren können ereignisbasiert arbeiten. Eine Ereignisbasierte Kamera sendet beispielsweise nicht in festen Abständen vollständige Bilder, sondern meldet Änderungen der Helligkeit an einzelnen Bildpunkten. Dadurch entstehen Datenströme, die sehr schnell, sparsam und zeitlich präzise sein können.

Grundidee in einem Satz

Ein Spiking Neural Network verarbeitet Informationen als zeitlich strukturierte Ereignisse, statt nur als gleichmäßig getaktete Zahlenwerte.

Biologische Inspiration

SNNs sind von biologischen Neuronen inspiriert, aber sie sind keine vollständige Simulation des Gehirns. Ein biologisches Neuron empfängt Signale über Dendriten, verarbeitet sie am Zellkörper und sendet bei ausreichender Erregung ein Aktionspotenzial über das Axon weiter. Zwischen Neuronen vermitteln Synapsen die Signalübertragung. Manche Synapsen wirken erregend, andere hemmend.

Im SNN werden diese Ideen stark vereinfacht. Ein künstliches spikendes Neuron sammelt eingehende Impulse. Jeder Impuls verändert das innere Membranpotenzial. Wird ein Schwellenwert überschritten, feuert das Neuron einen Spike. Danach wird das Membranpotenzial häufig zurückgesetzt. In einer kurzen Refraktärzeit kann das Neuron weniger leicht oder gar nicht erneut feuern. Diese Vereinfachung macht das Modell berechenbar und gleichzeitig näher an zeitlichen Prozessen biologischer Nervensysteme als viele klassische Deep-Learning-Bausteine.

Der Spike als Informationsträger

Ein Spike ist kein langer Text und kein komplexer Zahlenvektor, sondern ein zeitliches Ereignis. Seine Bedeutung entsteht durch mehrere Faktoren: wann er auftritt, von welchem Neuron er kommt, wie häufig er vorkommt und welche anderen Spikes gleichzeitig oder zeitnah auftreten. Diese Zeitstruktur kann für Aufgaben wichtig sein, bei denen Dynamik, Reihenfolge oder schnelle Reaktion zentral sind.

Rate Coding

Beim Rate Coding wird Information über die Häufigkeit von Spikes in einem Zeitfenster dargestellt. Viele Spikes können für ein starkes Signal stehen, wenige Spikes für ein schwaches Signal. Dieses Verfahren ist anschaulich, verliert aber manchmal genaue Zeitinformationen, weil es Ereignisse über ein Zeitfenster zusammenfasst.

Temporal Coding

Beim Temporal Coding zählt der genaue Zeitpunkt eines Spikes. Ein früher Spike kann beispielsweise eine stärkere Evidenz ausdrücken als ein später Spike. Das ist für schnelle Entscheidungen interessant, weil ein Modell möglicherweise schon nach wenigen Ereignissen reagieren kann.

Population Coding

Beim Population Coding entsteht die Bedeutung aus dem Zusammenspiel vieler Neuronen. Nicht ein einzelnes Neuron trägt die gesamte Information, sondern ein Muster aus Aktivitäten über eine Gruppe von Neuronen. Dieses Prinzip ist auch aus der Neurowissenschaft bekannt und kann SNNs robuster machen.

Das Leaky-Integrate-and-Fire-Modell

Ein besonders wichtiges Modell für Gepulste neuronale Netze ist das Leaky-Integrate-and-Fire-Modell. Es beschreibt ein Neuron als System, das Eingänge integriert, gleichzeitig aber langsam wieder Aktivität verliert. „Integrate“ bedeutet, dass eingehende Signale gesammelt werden. „Leaky“ bedeutet, dass das Membranpotenzial mit der Zeit wieder abklingt. „Fire“ bedeutet, dass beim Überschreiten eines Schwellenwerts ein Spike ausgelöst wird.

Das Modell ist didaktisch besonders nützlich, weil Du damit mehrere zentrale Ideen verstehst. Erstens hat ein spikendes Neuron ein Gedächtnis über kurze Zeit, denn frühere Eingänge beeinflussen das aktuelle Membranpotenzial. Zweitens spielt Zeit eine aktive Rolle, weil ein Signal verschwinden kann, wenn es nicht schnell genug durch weitere Signale verstärkt wird. Drittens erzeugt das Neuron nur bei ausreichender Aktivierung ein Ereignis. Dadurch kann ein Netzwerk sparse arbeiten, also nur wenige aktive Ereignisse statt dauerhafter Aktivierungen erzeugen.

Begriffe im Modell

Membranpotenzial: Der innere Aktivierungszustand eines spikenden Neurons.
Schwellenwert: Die Grenze, ab der ein Neuron einen Spike sendet.
Reset: Das Zurücksetzen des Membranpotenzials nach einem Spike.
Refraktärzeit: Eine kurze Phase, in der ein Neuron nach dem Feuern weniger empfänglich ist.
Synaptisches Gewicht: Ein Wert, der bestimmt, wie stark ein eingehender Spike das Zielneuron beeinflusst.
Hemmung: Ein Einfluss, der die Wahrscheinlichkeit eines Spikes verringern kann.
Erregung: Ein Einfluss, der die Wahrscheinlichkeit eines Spikes erhöhen kann.

Lernen in Spiking Neural Networks

Ein Spiking Neural Network muss nicht nur Spikes weiterleiten, sondern lernen. Lernen bedeutet, dass synaptische Verbindungen, Gewichte, Schwellenwerte oder andere Modellparameter so verändert werden, dass das Netzwerk eine Aufgabe besser löst. Dabei gibt es verschiedene Ansätze.

Spike-Timing-Dependent Plasticity

Spike-Timing-Dependent Plasticity wird häufig mit STDP abgekürzt. Die Grundidee lautet: Die Veränderung einer Synapse hängt davon ab, in welcher zeitlichen Reihenfolge prä- und postsynaptische Spikes auftreten. Wenn ein Eingangsspike kurz vor einem Ausgangsspike kommt, kann die Verbindung verstärkt werden. Wenn die Reihenfolge anders ist, kann sie abgeschwächt werden. Diese Idee ist biologisch inspiriert und eignet sich besonders für lokale Lernregeln.

Überwachtes Lernen

Beim überwachten Lernen erhält das Modell Beispiele mit bekannten Zielausgaben. Für SNNs ist das schwieriger als für klassische Deep-Learning-Modelle, weil Spikes diskrete Ereignisse sind. Die übliche Backpropagation setzt differenzierbare Funktionen voraus. Deshalb werden oft Näherungen wie Surrogate Gradients verwendet. Dabei wird die nicht differenzierbare Spike-Funktion während des Lernens durch eine glatte Ersatzfunktion angenähert.

Umwandlung klassischer Netze in SNNs

Ein weiterer Ansatz besteht darin, ein klassisches künstliches neuronales Netz zunächst normal zu trainieren und anschließend in ein SNN umzuwandeln. Dabei werden Aktivierungen in Spike-Raten oder zeitliche Muster übersetzt. Dieser Weg kann praktisch sein, weil bewährte Deep-Learning-Methoden genutzt werden. Gleichzeitig kann dabei ein Teil des zeitlichen Potenzials von SNNs verloren gehen, wenn das Modell nur eine andere Darstellung klassischer Aktivierungen ist.

Ereignisbasierte Sensorik

Ereignisbasierte Sensorik passt besonders gut zu Spiking Neural Networks. Eine klassische Kamera erzeugt in festen Zeitabständen vollständige Bilder. Eine Ereignisbasierte Kamera meldet dagegen Änderungen an einzelnen Bildpunkten. Wenn sich an einer Stelle nichts ändert, wird dort auch nichts gesendet. Dadurch entsteht ein Strom aus Ereignissen, der sehr hohe zeitliche Auflösung und geringe Datenmengen verbinden kann.

Datei:Neuromorphic-Event-Based-3D-Pose-Estimation-Video2.ogv

Für Aufgaben wie Robotik, Autonomes Fahren, Drohnensteuerung, Gestenerkennung, Objekterkennung oder schnelle Bewegungsanalyse kann diese Ereignisstruktur hilfreich sein. Ein SNN kann solche Ereignisse prinzipiell direkt verarbeiten. Statt erst aus Ereignissen wieder herkömmliche Bilder zu bauen, kann das Netzwerk die zeitliche Struktur als Teil der Information nutzen.

Neuromorphes Computing

Neuromorphes Computing bezeichnet Hardware- und Softwareansätze, die sich an Prinzipien biologischer Nervensysteme orientieren. Ziel ist nicht, ein Gehirn vollständig nachzubauen, sondern bestimmte Eigenschaften wie Parallelität, Ereignisverarbeitung, lokale Kommunikation und Energieeffizienz technisch zu nutzen.

Bekannte Forschungsplattformen und Chips im Umfeld neuromorpher Systeme sind IBM TrueNorth, Intel Loihi und SpiNNaker. Solche Systeme können viele einfache neuronale Einheiten parallel betreiben und Ereignisse nur dann weiterleiten, wenn Spikes auftreten. Das kann bei passenden Aufgaben Energie sparen und schnelle Reaktionen ermöglichen. Gleichzeitig hängt der tatsächliche Nutzen stark von Aufgabe, Modell, Daten, Hardware, Softwarewerkzeugen und Vergleichsmaßstab ab.

SNNs im Vergleich zu klassischen neuronalen Netzen

Aspekt	Klassische neuronale Netze	Spiking Neural Networks
Information	Häufig kontinuierliche Aktivierungswerte	Zeitlich verteilte Spikes
Zeit	Oft in festen Schritten oder Schichten verarbeitet	Zeitpunkt von Ereignissen ist zentral
Datenfluss	Viele Operationen auch ohne neue Ereignisse	Ereignisgetriebene Verarbeitung möglich
Biologische Inspiration	Stark abstrahierte Neuronenmodelle	Näher an Impulsverhalten biologischer Neuronen
Training	Sehr gut entwickelte Verfahren und Werkzeuge	Anspruchsvoller, oft mit STDP, Surrogate Gradients oder Umwandlung
Hardware	Optimiert für GPU, TPU und klassische Beschleuniger	Besonders interessant für neuromorphe Hardware
Stärken	Hohe Leistung bei vielen Standardaufgaben	Potenzial bei Energieeffizienz, Latenz und Ereignisdaten
Grenzen	Hoher Rechen- und Energiebedarf möglich	Schwierige Trainingsmethoden und weniger reife Werkzeuge

Anwendungen

Spiking Neural Networks sind vor allem dort interessant, wo Daten zeitlich, sparsam und ereignisbasiert auftreten. Das bedeutet nicht, dass sie klassische neuronale Netze überall ersetzen. Vielmehr können sie eine zusätzliche Modellklasse sein, die für bestimmte Situationen besonders gut passt.

Robotik und autonome Systeme

In der Robotik müssen Systeme schnell auf Veränderungen reagieren. Ein Roboter, der greift, balanciert oder Hindernissen ausweicht, profitiert von niedriger Latenz. Ereignisbasierte Sensoren und SNNs können hier zusammenarbeiten, weil beide zeitlich präzise Ereignisse verarbeiten. Besonders interessant sind Aufgaben, bei denen ständig kleine Veränderungen erkannt werden müssen.

Edge AI und energiesparende Systeme

Edge AI bedeutet, dass Künstliche Intelligenz direkt auf einem Gerät arbeitet, statt Daten immer an ein Rechenzentrum zu senden. Das kann Datenschutz, Reaktionszeit und Energieverbrauch verbessern. SNNs können für Edge AI relevant sein, wenn wenige Ereignisse verarbeitet werden müssen und eine passende neuromorphe Hardware verfügbar ist.

Neurowissenschaft und Modellierung

In der Computational Neuroscience werden spikende Modelle genutzt, um Hypothesen über Nervensysteme zu untersuchen. Dabei können Modelle wie Leaky Integrate-and-Fire, Izhikevich-Modell oder Hodgkin-Huxley-Modell helfen, biologische Prinzipien vereinfacht oder detailliert zu simulieren. Der Fokus liegt dann nicht nur auf Leistung bei einer Aufgabe, sondern auch auf Erklärbarkeit biologischer Prozesse.

Ereignisbasierte Bildverarbeitung

Bei sehr schnellen Bewegungen, starken Helligkeitsunterschieden oder energiearmen Sensorplattformen können ereignisbasierte Kameras Vorteile bieten. Ein SNN kann Ereignisströme direkt verarbeiten, um Bewegungen, Kanten, Gesten oder Objekte zu erkennen. In der Praxis konkurrieren SNNs dabei mit klassischen Methoden, hybriden Ansätzen und modernen Deep-Learning-Architekturen.

Chancen und Grenzen

SNNs sind ein spannendes Zukunftsthema, aber keine magische Lösung für alle Probleme der Künstlichen Intelligenz. Professionelles Arbeiten mit SNNs bedeutet, Chancen und Grenzen gleichzeitig zu betrachten.

Chancen

Energieeffizienz: Wenn nur bei Ereignissen gerechnet wird, kann der Energiebedarf bei passenden Aufgaben sinken.
Niedrige Latenz: Frühe Spikes können schnelle Reaktionen ermöglichen.
Zeitliche Information: Dynamische Muster können natürlicher dargestellt werden als in rein statischen Modellen.
Neuromorphe Hardware: Spezialisierte Systeme können ereignisbasierte Verarbeitung unterstützen.
Biologische Plausibilität: SNNs sind für Modelle biologischer Informationsverarbeitung interessant.

Grenzen

Training: Lernverfahren für SNNs sind oft komplexer und weniger standardisiert als bei klassischen Netzen.
Werkzeugkette: Softwarebibliotheken, Debugging und Hardwarezugang sind weniger etabliert.
Benchmark: Faire Vergleiche sind schwierig, weil Energie, Genauigkeit, Latenz und Hardware gemeinsam bewertet werden müssen.
Skalierung: Sehr große SNNs sind anspruchsvoll zu trainieren und effizient zu betreiben.
Hype: Aussagen über „die Zukunft der KI“ müssen kritisch geprüft werden, weil der Nutzen immer von der konkreten Anwendung abhängt.

Beispiel: Wie denkt ein SNN anders?

Stell Dir vor, eine Kamera beobachtet einen Ball, der schnell durch das Bild fliegt. Ein klassisches System verarbeitet vielleicht jedes Einzelbild vollständig. Ein ereignisbasiertes System meldet nur dort Veränderungen, wo sich der Ball bewegt oder Helligkeitsunterschiede auftreten. Ein SNN kann diese Ereignisse direkt als Spike-Folge erhalten. Es muss nicht warten, bis ein ganzes Bild fertig ist, sondern kann schon auf frühe Ereignisse reagieren.

Diese Denkweise verändert die Modellierung. Nicht alle Pixel sind gleich wichtig. Nicht jeder Zeitpunkt ist gleich wichtig. Entscheidend ist, wann und wo etwas passiert. Dadurch entsteht eine KI, die stärker an dynamische Systeme erinnert als an reine Stapelverarbeitung.

Verantwortliche Nutzung

Auch bei Spiking Neural Networks sind Fragen der Ethik der Künstlichen Intelligenz, Datenschutz, Fairness, Transparenz und Nachhaltigkeit wichtig. Ereignisbasierte Sensoren können Bewegungen sehr präzise erfassen. Das kann in Assistenzsystemen hilfreich sein, aber auch Überwachung erleichtern. Neuromorphe Hardware kann Energie sparen, aber Herstellung, Skalierung und Lebenszyklus der Geräte müssen berücksichtigt werden. Verantwortliche KI bedeutet deshalb, technische Möglichkeiten mit gesellschaftlichen Folgen zusammenzudenken.

Mini-Glossar

Spike: Ein kurzer Impuls, der zu einem bestimmten Zeitpunkt gesendet wird.
Spiking Neural Network: Ein neuronales Netz, das Informationen als Spike-Folgen verarbeitet.
Membranpotenzial: Ein innerer Zustandswert eines spikenden Neurons.
Schwellenwert: Die Grenze, ab der ein Neuron feuert.
Refraktärzeit: Eine kurze Erholungsphase nach einem Spike.
STDP: Eine Lernregel, die die zeitliche Reihenfolge von Spikes nutzt.
Ereignisbasierte Kamera: Ein Sensor, der Änderungen statt vollständiger Bilder meldet.
Neuromorphes Computing: Rechnen mit Strukturen und Prinzipien, die von Nervensystemen inspiriert sind.
Surrogate Gradient: Eine Lernmethode, die diskrete Spike-Funktionen durch differenzierbare Näherungen trainierbar macht.
Edge AI: KI-Verarbeitung direkt auf Geräten am Rand eines Netzwerks.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist ein Spike in einem Spiking Neural Network? (Ein kurzer zeitlicher Impuls) (!Ein vollständiges Bild) (!Ein dauerhaftes Gewicht) (!Eine Datenbankabfrage)

Was beschreibt das Membranpotenzial in einem spikenden Neuron? (Den inneren Aktivierungszustand) (!Die Größe des Trainingsdatensatzes) (!Die Anzahl der Netzwerkschichten) (!Die Farbe eines Sensors)

Wann feuert ein einfaches spikendes Neuron? (Wenn ein Schwellenwert erreicht wird) (!Wenn alle Gewichte null sind) (!Wenn keine Eingaben ankommen) (!Wenn das Training beendet ist)

Welche Rolle spielt Zeit in Spiking Neural Networks? (Sie trägt selbst Information) (!Sie wird vollständig ignoriert) (!Sie ersetzt alle Gewichte) (!Sie verhindert Lernen)

Was bedeutet Leaky im Leaky Integrate and Fire Modell? (Das Membranpotenzial klingt mit der Zeit ab) (!Das Neuron speichert alle Signale für immer) (!Das Netzwerk verliert seine Datenbank) (!Die Ausgabeschicht wird gelöscht)

Welche Lernregel nutzt die zeitliche Reihenfolge von Spikes? (STDP) (!Softmax) (!Pixelnormierung) (!Tokenisierung)

Was meldet eine ereignisbasierte Kamera typischerweise? (Änderungen an Bildpunkten) (!Ständig vollständige Bilder) (!Nur Audiodaten) (!Nur Textzeichen)

Warum können SNNs für Edge AI interessant sein? (Sie können ereignisgetrieben und sparsam arbeiten) (!Sie benötigen immer riesige Rechenzentren) (!Sie funktionieren nur mit Textdaten) (!Sie verbieten Sensoren)

Welche Aussage über SNNs ist fachlich angemessen? (Sie sind für bestimmte Aufgaben vielversprechend) (!Sie ersetzen sofort alle anderen KI Modelle) (!Sie brauchen niemals Training) (!Sie liefern immer perfekte Ergebnisse)

Was ist ein zentrales Problem beim Training von SNNs? (Spikes sind diskrete Ereignisse) (!Bilder haben keine Pixel) (!Computer können keine Zahlen speichern) (!Sensoren senden nur Papierausdrucke)

Memory

Spike	kurzer zeitlicher Impuls
Membranpotenzial	innerer Aktivierungszustand
Schwellenwert	Grenze zum Feuern
STDP	Lernen durch Spike Reihenfolge
Ereigniskamera	Sensor für Änderungen
Neuromorphes Computing	nervensystemnahes Rechnen
Refraktärzeit	Erholungsphase nach dem Feuern

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Spike	Zeitliches Ereignis
Membranpotenzial	Innerer Zustand
Schwellenwert	Auslöser des Feuerns
Synapse	Verbindung zwischen Neuronen
STDP	Lernen durch Timing
Ereigniskamera	Sensor für Änderungen
Neuromorphe Hardware	Ereignisgetriebene Rechenarchitektur

Kreuzworträtsel

Spike	Wie nennt man einen kurzen Impuls in einem spikenden neuronalen Netz?
Membran	Welcher Begriff steht im Modell für den inneren Spannungszustand eines Neurons?
Synapse	Wie heißt die Verbindung, über die Neuronen Signale austauschen?
Schwelle	Welche Grenze muss erreicht werden, damit ein Neuron feuert?
Latenz	Wie nennt man die Verzögerung bis zu einer Reaktion?
Ereignis	Was steht im Zentrum ereignisbasierter Verarbeitung?

LearningApps

Lückentext

Gepulste neuronale Netze verarbeiten Informationen nicht nur als Zahlenwerte, sondern als zeitliche

. Ein spikendes Neuron sammelt Eingaben in seinem

. Wird ein bestimmter

erreicht, sendet das Neuron ein Ereignis. Nach dem Feuern wird das Modell häufig durch einen

zurückgesetzt. Beim Leaky Integrate-and-Fire Modell klingt die Aktivierung mit der

ab. Die Lernregel STDP nutzt die Reihenfolge von

. Eine Ereignisbasierte Kamera meldet vor allem

. Neuromorphes Computing orientiert sich an Prinzipien biologischer

. Für Edge AI sind SNNs interessant, wenn sie sparsam und mit niedriger

arbeiten. Trotzdem sind SNNs keine universelle Lösung, weil Training und Vergleich mit anderen Modellen

bleiben.

Offene Aufgaben

Leicht

Begriffslandkarte: Erstelle eine Begriffslandkarte zu Spiking Neural Networks mit mindestens zehn Fachbegriffen und kurzen Erklärungen.
Alltagsvergleich: Erkläre den Unterschied zwischen einem klassischen Videostream und einer ereignisbasierten Kamera mit einem Beispiel aus Deinem Alltag.
Spike-Tagebuch: Beobachte einen Vorgang wie Klatschen, Blinken oder Tippen und beschreibe ihn als Folge einzelner Ereignisse.
Glossararbeit: Wähle fünf Begriffe aus dem Mini-Glossar und formuliere sie so um, dass eine jüngere Lerngruppe sie versteht.

Standard

Modellskizze: Zeichne ein einfaches spikendes Neuron mit Eingängen, Membranpotenzial, Schwellenwert, Spike und Reset.
Vergleichsanalyse: Vergleiche ein klassisches künstliches neuronales Netz mit einem SNN anhand von Datenfluss, Energiebedarf, Zeitverarbeitung und Training.
Anwendungssteckbrief: Recherchiere eine Anwendung aus Robotik, Medizinische Bildverarbeitung, Sensorik oder Edge AI und beschreibe, warum SNNs dort nützlich sein könnten.
Kritische Medienanalyse: Analysiere das eingebundene Video: Welche Chancen werden genannt, welche Grenzen müssten zusätzlich diskutiert werden?

Schwer

Simulationsprojekt: Entwickle in Pseudocode ein kleines Leaky Integrate-and-Fire Modell, das Eingabespikes sammelt und bei Erreichen eines Schwellenwerts feuert.
Forschungsfrage: Formuliere eine prüfbare Forschungsfrage zu Spiking Neural Networks und beschreibe, welche Daten Du für eine Untersuchung benötigen würdest.
Ethikgutachten: Bewerte den Einsatz ereignisbasierter Kameras in öffentlichen Räumen aus Sicht von Datenschutz, Sicherheit, Transparenz und Verhältnismäßigkeit.
Transferprojekt: Entwirf ein Konzept für ein energiesparendes KI-System auf einem mobilen Gerät und entscheide begründet, ob ein SNN, ein klassisches neuronales Netz oder ein hybrider Ansatz sinnvoll wäre.

Lernkontrolle

Transfervergleich: Erkläre an einem selbst gewählten Beispiel, warum ein ereignisgetriebenes System weniger Daten verarbeiten kann als ein System mit festen Einzelbildern.
Modellkritik: Beurteile, welche Aspekte biologischer Neuronen im Leaky Integrate-and-Fire Modell enthalten sind und welche bewusst vereinfacht werden.
Anwendungsentscheidung: Du sollst ein KI-System für eine kleine Drohne entwerfen. Begründe, ob ein SNN für die Wahrnehmung sinnvoll sein könnte.
Energieanalyse: Diskutiere, warum SNNs nicht automatisch energieeffizient sind, obwohl sie ereignisgetrieben arbeiten können.
Lernverfahren: Vergleiche STDP, Surrogate Gradient und die Umwandlung eines klassischen Netzes in ein SNN hinsichtlich Ziel, Vorteil und Grenze.
Gesellschaftlicher Transfer: Entwickle Kriterien, mit denen der Einsatz ereignisbasierter Sensorik in Schulen, Verkehr oder Pflege bewertet werden sollte.

Lernnachweis

Für einen überzeugenden Lernnachweis zu Spiking Neural Networks solltest Du nicht nur Begriffe wiedergeben, sondern Zusammenhänge erklären und anwenden. Wichtig sind ein fachlich korrektes Modellverständnis, ein reflektierter Vergleich mit klassischen neuronalen Netzen und eine begründete Einschätzung von Chancen und Grenzen.

Fachbegriffe: Du verwendest Begriffe wie Spike, Membranpotenzial, Schwellenwert, Synapse, STDP, Ereignisbasierte Kamera und Neuromorphes Computing korrekt.
Erklärungskompetenz: Du erklärst ein einfaches spikendes Neuron mit eigenen Worten und einer Skizze.
Vergleichskompetenz: Du stellst SNNs klassischen Deep-Learning-Modellen gegenüber.
Anwendungsbezug: Du wählst eine passende Anwendung und begründest, warum SNNs dort Vorteile oder Nachteile haben können.
Kritisches Denken: Du unterscheidest zwischen begründeten Potenzialen und übertriebenem Hype.
Ethik und Nachhaltigkeit: Du berücksichtigst Datenschutz, Energieverbrauch, Hardwarebedarf und gesellschaftliche Folgen.
Produkt: Du reichst eine Präsentation, Simulation, Analyse, Skizze, ein Erklärvideo oder ein schriftliches Konzept ein.

OERs zum Thema

Links

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.