Motivation
Der gNBX-Prozessor mit zwei Recheneinheiten
Selbstorganisierende Karten (engl. SOM, Self-Organizing Maps) gehören zur Klasse der neuronalen Netze und werden unter anderem zur Analyse sehr großer Datenmengen eingesetzt. Die Karten sind in der Lage, vereinfachte Repräsentationen der Eingabedaten zu erzeugen, bei denen die strukturellen Zusammenhänge weitgehend erhalten bleiben. Eine grafische Darstellung der Karten erlaubt eine einfache Interpretation der Daten. Der wesentliche Vorteil von SOMs gegenüber anderen Verfahren zur Datenanalyse ist das so genannte unüberwachte Lernen, bei dem kein A-Priori-Wissen über die Daten benötigt wird. Da die SOM im Wesentlichen aus parallel arbeitenden Neuronen besteht, kann dieser Lernvorgang sehr gut in paralleler Hardware ausgeführt werden. Daher wurde am Fachgebiet Schaltungstechnik eine Hardwarearchitektur entworfen (Bild: Der gNBX-Prozessor), die flexibel für verschiedene Anwendungen angepasst werden kann, so dass immer ein Optimum hinsichtlich Ressourcenbedarf und Berechnungsdauer erreicht werden kann.
Explorative Datenanalyse mit SOM
Implementierung
Bei der Hardwareimplementierung selbstorganisierender Karten übernehmen die Prozessorelemente die Funktion eines oder mehrerer Neuronen, wodurch der Grad der Parallelität bei der Berechnung und somit die Berechnungsdauer beeinflusst werden kann. Die Steuereinheit übernimmt die Kontrolle des Prozessorfeldes und die Kommunikation mit einem externen Speicher, in dem die Daten vorgehalten werden. Das System wurde auf rekonfigurierbaren Logikbausteinen (FPGAs - Field Programmable Gate Arrays) implementiert und in eine Datenanalyse-Software integriert.
Leistungsmessungen ergeben schon bei dieser prototypischen Implementierung eine mehr als zehnfache Beschleunigung gegenüber der Ausführung auf heutigen PCs. Sowohl die Berechnungsleistung als auch die Energieeffizienz kann durch eine Abbildung der Architektur auf eine ASIC-Technologie (Application Specific Integrated Circuit) ohne Flexibilitätsverlust noch deutlich gesteigert werden.
Anwendungsszenario
Selbstorganisierende Karten werden einerseits zur Analyse sehr großer Datenmengen, z. B. für die Prozessdatenanalyse verwendet (Bild: Explorative Datenanalyse). Hier werden insbesondere Abhängigkeiten zwischen Prozessparametern, wie z. B. Druck, Temperatur und Defektrate durch die SOM aufgedeckt. In diesem Anwendungsfall wird die entwickelte Hardware auf die größtmögliche Beschleunigung ausgelegt.Andererseits können selbstorganisierende Karten bei der Anwendung in eingebetteten Systemen, bei denen die Anforderungen bezüglich Ressourceneffizienz besondern hoch sind, beispielsweise eine sehr energieeffiziente Vorverarbeitung von Sensordaten in Realzeit übernehmen. Dadurch kann die zentrale Recheneinheit eines solchen Systems bei nur geringem Mehrbedarf an Energie stark entlastet werden.
Diese 
Projektseite im HNI Jahresbericht
