Utviklingen av kunstig intelligens (AI) går ekstremt fort og gir oss stadig mer intelligente dataenheter i alle former og størrelser. Disse enhetene spenner fra anbefalingssystemer, systemer for prediktivt vedlikehold og digitale tvillinger, autonome kjøretøy, roboter til personlige enheter som nettbrett, mobiltelefoner og smartklokker.
Etter hvert som teknologien fortsetter å utvikle seg, blir begrensningene i eksisterende metoder tydeligere. I AI-metoden dyp læring trener man opp nevrale nettverk til å løse komplekse problemer. Ulempen er at dype nevrale nettverk krever enorme mengder beregningskraft og store mengder forhåndsinnsamlet og merket data. Denne type dataen er ikke alltid tilgjengelig for industrielle situasjoner.
I tillegg er det forventninger om at fremtidige AI-systemer kan operere i uforutsigbare og utfordrende miljøer med begrensninger på strømbruk, latens og datatilgang, som alle reduserer muligheten til å utføre tunge beregninger på små enheter (edge computing).
Neuromorfisk databehandling representerer en ny tilnærming til beregningsarkitektur innenfor kunstig intelligens, og er forskjellig fra dype nevrale nettverk. Metoden er inspirert av strukturen og funksjonen til biologiske nevrale nettverk i hjernen. I motsetning til tradisjonell databehandling, som er avhengig av algoritmer og programmeringsabstraksjoner, styres neuromorfisk databehandling av prinsippene for biologiske nevrale beregninger. Disse aktiveres kun ved behov i form av en signalpuls, som kalles en spike.
Dette øker både effektivitet og ytelse, og skaper potensial for å utføre et bredt spekter av intelligent informasjonsbehandling på mikrowatt-effektnivåer og med millisekunders responstider. Det endelige målet er å utvikle datamaskinarkitekturer som kan konkurrere med biologiske, nevrale kretser.
De siste fremskrittene innen neuromorfiske maskinvare- og treningsteknikker for dype spiking-nevrale nettverk muliggjør nå anvendelser utenfor laboratorier. SINTEF, med sin omfattende ekspertise innen ulike bransjer og anvendte domener, samler domeneeksperter og maskinlæringsspesialister for å samarbeide om prosjekter som kombinerer kunnskap fra neuromorfiske sensorer og databehandling.