HiAER-spike software-hardware herconfigureerbaar platform voor eventgedreven neuromorfe berekening op schaal

Waarom een nieuw soort computer ertoe doet

Het grootste deel van de kunstmatige intelligentie van vandaag draait op hardware die decennia geleden is ontworpen voor spreadsheets en tekstverwerking, niet voor hersenen. Naarmate onderzoekers streven naar slimmer en energiezuiniger machines, stuiten ze op grenzen van vermogen, snelheid en schaal. Dit artikel introduceert HiAER-Spike, een neuromorf platform dat informatie verwerkt in spikes — korte elektrische gebeurtenissen — vergelijkbaar met echte neuronen. Als gedeelde faciliteit aan het San Diego Supercomputer Center is het bedoeld om wetenschappers wereldwijd toe te staan te experimenteren met hersen‑geïnspireerde AI op een schaal die in de buurt komt van kleine dierlijke hersenen, terwijl het veel minder energie verbruikt dan conventionele systemen.

Een hersen‑geïnspireerde machine bouwen

HiAER-Spike is een grote cluster van servers, elk gevuld met krachtige herconfigureerbare chips genaamd FPGAs. In plaats van gewone software-instructies uit te voeren, worden deze chips geconfigureerd om te functioneren als uitgestrekte netwerken van kunstmatige neuronen en synapsen, zogeheten spiking neurale netwerken. Het volledige systeem is ontworpen om tot ongeveer 160 miljoen modelneuronen en 40 miljard synapsen aan te kunnen — meer dan twee keer zoveel neuronen als in een muizenbrein — en tegelijk sneller dan realtime te simuleren. Een speciale communicatiestrategie, hiërarchische address‑event routing, zorgt ervoor dat spikes snel kunnen reizen tussen neuronengroepen op dezelfde chip, tussen verschillende chips en zelfs tussen servers, waarbij dichte lokale communicatie en dunne langeafstandverbindingen in balans blijven, vergelijkbaar met grijze en witte stof in de hersenen.

Enorme netwerken in beperkte hardware passen

Een belangrijke uitdaging bij het bouwen van zulke systemen is het simpelweg opslaan van alle verbindingen. Moderne neurale netwerken zijn vaak zeer groot maar ook schaars: de meeste mogelijke verbindingen worden niet gebruikt. HiAER-Spike benut deze sparsity door alleen bestaande verbindingen op te slaan in een efficiënte lijst, in plaats van in een volledige matrix van alle mogelijkheden. Synaptische gewichten worden bewaard in high‑bandwidth memory op elke FPGA, terwijl de snel veranderende toestanden van neuronen en axonen in sneller on‑chip geheugen staan. Wanneer spikes optreden zoekt het systeem eerst welke synapsen geraakt worden, haalt dan hun sterktes op en werkt de doelneuronen bij. Dit tweestapsproces, gecombineerd met zorgvuldige data‑packing in het geheugen, houdt energieverbruik en vertraging laag, zelfs naarmate netwerken groot worden.

Geavanceerde hardware gebruiksvriendelijk maken

Om deze gespecialiseerde machine toegankelijk te maken voor niet‑experts, ontwikkelden de auteurs een high‑level softwareinterface in Python en C++. Gebruikers beschrijven hun spiking netwerken met eenvoudige objecten — het definiëren van neuron‑types, inputs, verbindingen en outputs — zonder zich druk te hoeven maken over laag‑niveau hardwaredetails. Dezelfde code kan lokaal als software‑simulatie draaien of, indien ingediend via de Neuroscience Gateway‑portal, op de HiAER‑Spike hardware zelf. Het platform ondersteunt momenteel eenvoudige binaire neuronen en leaky integrate‑and‑fire neuronen, met opties voor willekeurigheid in hun gedrag, en laat het mengen van verschillende neuron‑types binnen één netwerk toe. Dit ontwerp stelt onderzoekers in staat modellen te prototypen op een laptop en ze vervolgens naadloos op te schalen naar de grote neuromorfe cluster.

Spikes inzetten voor echte taken

Om te laten zien wat het platform kan, zette het team een reeks standaard visie‑ en bestuursmodellen om naar spiking‑vorm en draaide ze op een enkele core van één FPGA. Ze testten cijferherkenning op de klassieke MNIST‑dataset, gebarenherkenning met event‑gebaseerde camera’s die spikes in plaats van frames produceren, objectherkenning op CIFAR‑10 beelden, en zelfs besturing van het Atari‑spel Pong met een spike‑gebaseerde representatie van beweging. Over deze taken heen kwam de hardware nauw in de buurt van de nauwkeurigheid van software‑simulaties na gewichtquantisatie, vaak met verschillen van minder dan een paar procentpunten, terwijl het zeer lage latentie en energiegebruik leverde. Sommige netwerken voor cijferherkenning bereikten bijvoorbeeld meer dan 98 procent nauwkeurigheid met slechts microjoules energie en microseconden vertraging per beeld.

Waar dit nieuwe platform toe kan leiden

Voor de niet‑specialistische lezer is de kernboodschap dat HiAER‑Spike een flexibel, hersen‑geïnspireerd rekentestbed is dat door iedereen in de onderzoeksgemeenschap op afstand kan worden gebruikt. Zelfs in dit vroege stadium kan een enkele core flinke spiking netwerken draaien voor taken zoals het herkennen van gebaren van event‑gebaseerde camera’s, met veel minder energie en tijd dan veel concurrerende systemen. Naarmate meer cores en kaarten online komen en de software rijkere neuronmodellen en leerrules toevoegt, kan dit platform helpen de kloof tussen neurowetenschap en AI te overbruggen — het ondersteunen van experimenten die onderzoeken hoe grote netwerken van spikes efficiënte waarneming, besluitvorming en toekomstige laag‑vermogen intelligente apparaten kunnen aandrijven.

Bronvermelding: Frank, G., Hota, G., Wang, K. et al. HiAER-spike software-hardware reconfigurable platform for event-driven neuromorphic computing at scale. npj Unconv. Comput. 3, 22 (2026). https://doi.org/10.1038/s44335-026-00062-8

Trefwoorden: neuromorfe berekening, spiking neurale netwerken, FPGA-versneller, eventgebaseerde visie, hersen-geïnspireerde hardware