Themenpapier | Neuromorphes Computing – Potenziale für Produkt- und Prozessinnovation

Dr. Natalie Rotermund und Jakob Mertes, Artificial Intelligence Center Hamburg (ARIC) e.V., Hamburg, September 2025

Synchron zum technischen Fortschritt, auch in der Entwicklung Künstlicher Intelligenz (KI), steigen die Anforderungen an zugrunde liegende Rechenarchitekturen. Alternative Informationsverarbeitungskonzepte bieten neue Möglichkeiten zur effizienten Handhabung verschiedenartiger Daten. Neuromorphes Computing ermöglicht systemimmanent neue Wege für eine energieoptimierte Verarbeitung zeitabhängiger Informationen und die sensornahe, latenzarme Interaktion zwischen Umwelt, Mensch und Maschine.

Dieser Artikel ist Teil 1 eines vierteiligen Texts. Dieser bietet einen Einstieg von den technischen Grundlagen bis hin zur Anwendung und möchte dazu anregen, die Potenziale des Neuromorphen Computings bei Produktentwicklung und Prozessinnovation mitzudenken.

• Teil 1 – Einführung in das Neuromorphe Computing
• Teil 2 – Neuromorphe Hardware (tba)
• Teil 3 – Neuromorphe Algorithmen und Modelle (tba)
• Teil 4 – Anwendungsbereiche des Neuromorphen Computings (tba)

Definition und Einordnung

Neuromorphes Computing (NMC) bezeichnet ein Konzept der Informationsverarbeitung, das sich an der Struktur und Funktionsweise neuronaler Netzwerke von biologischen Organismen orientiert. Es umfasst die Entwicklung von Hardware und Software, welche neuronale und synaptische Strukturen und Funktionen simulieren.

Aufgrund der schnell wachsenden Anforderungen an Systeme zur Datenverarbeitung und Innovationspotential durch technologische Fortschritte rücken derzeit alternative Rechenarchitekturen, unter dem Begriff Future Computing zusammengefasst, ins Interesse. Dazu zählen neben dem NMC auch Quantencomputing, allgemein Analoges und Optisches Computing. Diese Ansätze verfolgen das gemeinsame Ziel, bestehende Grenzen konventioneller Informationsverarbeitung zu überwinden und spezifische Typen von Verarbeitungsaufgaben gezielt zu optimieren.

Bei NMC handelt es sich um künstliche neuronale Netze zur Informationsverarbeitung, die sowohl physisch in der Form spezieller Hardware realisiert werden als auch eine Umsetzung in Form von Software/Algorithmik erfahren, welche ergänzend zu den physischen Grundlagen des Netzwerkes die mathematischen Regeln der Informationsverarbeitung festlegen. Eine Perspektive auf dieses Fachgebiet ist die Nutzung der Technologie als Umsetzungsplattform für Künstliche Intelligenz.

Mit zunehmender technologischer Reife ist zu erwarten, dass NMC nicht nur bestehende KI-Systeme systematisch ergänzt, sondern auch neue Möglichkeiten für adaptive, energieeffiziente und kontextbewusste Intelligenz schafft. In aktuellen Analysen wird NMC als eine der aufstrebenden Schlüsseltechnologien betrachtet. Und ihr wird großes Potenzial für die Entwicklung der nächsten Generation Künstlicher Intelligenz zugeschrieben [4]. Zeitgleich bestehen Herausforderungen in der Nutzbarmachung der Technologie, insbesondere bezüglich der Verfügbarkeit der Hardware, der Trainierbarkeit neuromorpher KI-Modelle und einem begrenzten Talentpool. Sowohl in der Hardware als auch in der Software neuromorpher Systeme haben sich zudem bisher noch keine in der Breite akzeptierten Benchmarks und Standards durchgesetzt, was deren Entwicklung und Integration verkompliziert.

Auch wenn die Technologie medial begrenzt diskutiert wird, entwickelt sich in Fachkreisen global ein zunehmendes Interesse. Einzelne Markteinschätzungen prognostizieren für NMC-Marktanteile, die mit Quantencomputing vergleichbar sind [5-8]. In China wird strategisch in NMC investiert. So wurde im Sommer 2025 die Inbetriebnahme des bisher größten Neuromorphen Computers mit 2 Mrd. Neuronen, das so genannte Darwin Monkey System bekanntgegeben. Hiermit überholt China das neuromorphe Cluster Hala Point in den USA (1,15 Mrd. Neuronen) in Bezug auf die Neuronenanzahl [9].

Deutschland und Europa weisen eine starke Grundlagenforschung in neuromorpher Soft- und Hardware sowie den Neurowissenschaften auf. Der Transfer dieses Knowhows aus der Forschung in die Wertschöpfungsketten hinein und der begleitende Aufbau eines niederschwellig zugänglichen Full-Stack Ökosystems sind Bausteine für die langfristige Wettbewerbsfähigkeit europäischer Standorte und bietet, gemeinsam mit weiteren Ansätzen des Future Computings, die Chance IT-Souveränität durch unabhängige Technologieinnovation zu gestalten [10].

Unser Begriffsverständnis (Abgrenzung)

Bis heute hat sich kein allgemeingültiges Verständnis des Begriffs Neuromorphes Computing etabliert. Zudem sind verschiedene Begrifflichkeiten im Zusammenhang mit NMC, wie beispielsweise der Begriff Neuron, kontextabhängig mit verschiedenen Bedeutungen belegt. Dies macht das Themenfeld schwer zu fassen. Zu Beginn der inhaltlichen Vertiefung erfolgt daher eine Abgrenzung des NMC gegenüber anderen Umsetzungen des künstlichen neuronalen Lernens oder begrifflich entlehnten Fachbereichen.

Im hier verwendeten Verständnis unterscheidet sich NMC sowohl in der Hardwarestruktur als auch in der algorithmischen Informationsverarbeitung grundlegend von den heute verbreiteten künstlichen neuronalen Netzen (KNNs) und der klassischen Von-Neumann-Architektur:

Im Gegensatz zu dieser werden Daten beim NMC hardwareseitig innerhalb einer funktionalen Einheit verarbeitet und gespeichert. Zudem zeigt sich in der Tendenz eine funktionale Bedingtheit und Verschmelzung von Hard- und Software, wie sie auch bei biologischer Intelligenz zu finden ist.

Zuweilen wird auch eine alleinige Hardware oder Sensorik -Umsetzung der genannten Prinzipien als neuromorph begriffen. Dieser Text bezieht sich auf die Kombination aus neuromorpher Soft- und Hardware.

Statt kontinuierlicher Aktivierungen und gewichteter Summen – Grundlage der KNNs, arbeiten neuromorphe Systeme mit Spiking Neural Networks (SNNs), welche Informationen zeitabhängig, eventbasiert und in Form diskreter Impulse, sogenannter Spikes, verarbeiten. Im Kontext der traditionellen Klassifizierung von tiefen neuronalen Netzen, können auch SNNs dem Deep Learning zugeordnet werden. Im Sinne einer grundlegenden Einordnung stellt Abbildung 1 Kerndimensionen von KNNs und SNNs gegenüber.

Eine vertiefte Einführung in die Eigenschaften und Funktionsweise neuromorpher Hardware und Software (SNNs) wird in den Teilen 2 und 3 dieses Themenpapiers stattfinden.

Im Zusammenhang mit KNNs und Deep Learning im klassischen Sinne fallen Begriffe wie Neuron oder Neuronales Netzwerk, welche an biologische Vorbilder angelehnt sind. Bei diesen Systemen unterscheidet sich die Informationsverarbeitung jedoch grundlegend vom biologischen Vorbild: Das klassische neuronale Netz (KNN) ist nicht physisch, es wird lediglich repräsentiert durch den Algorithmus. Die Informationsverarbeitung erfolgt zeitunabhängig, kontinuierlich und basiert auf gewichteten Matrizenoperationen. Dies steht im Gegensatz zu einer ereignisbasierten, zeitkodierten Verarbeitung von neuromorphen und biologischen Systemen.

Abgegrenzt werden sollte NMC auch von den so genannten Neural Processing Units (NPUs, Neural Hardware), also gewissen Chipmodulen, die sich schon jetzt in vielen Handys befinden. Diese sind keine neuromorphen Systeme. Diese Module beschleunigen durch eine angepasste Chiparchitektur und hohe Parallelisierung zwar KI-Berechnungen, basieren jedoch auf klassischen Hardwarekonzepten und sind für Operationen innerhalb von KNNs optimiert.

Biological Computing (auch Wetware), ist ein experimentelles Feld, in dem biologische Neurone oder Organoide auf Chips kultiviert werden und so ein hybrides organisches Computersystem bilden. Es verfolgt teils völlig neue Hardware- und Softwarekonzepte, welche durchaus Elemente des NMC nutzen können. Abhängig davon ob und in welchem Umfang SNNs in der Signalverarbeitung genutzt werden und wie die integrierten Hardwarekomponenten ausgestaltet sind, fügt sich das Biological Computing in die hier verwendeten Inklusionskriterien für MNC ein oder nicht. Daher und aufgrund seines sehr frühen technologischen Reifegrades wird dieser Ansatz im Folgenden nicht vertiefend aufgegriffen.

Brain Computer Interfaces (BCIs), also technische Systeme, welche eine direkte Schnittstelle zwischen Gehirn und Computer ermöglichen und sowohl invasiv (z. B. Implantate) als auch nicht-invasiv (z. B. EEG-Kappen) ausgestaltet sein können, können zuweilen neuromorphe Soft- oder Hardware nutzen, tun dies aktuell aber häufig nicht und sind nicht per se dem NMC zuzuordnen. Schnittstellen zwischen zentralem und auch peripherem Nervensystem und Computern werden zukünftig voraussichtlich ein wichtiges Einsatzgebiet neuromorpher Technologie bilden.

Wie unterscheiden sich klassische und neuromorphe KI-Systeme in ihren grundlegenden Verarbeitungsprinzipien? Im nächsten Abschnitt wird diese Frage vergleichend betrachtet.

Neuronale Netze als Grundlage der Informationsverarbeitung – Vergleich der Informationsverarbeitung am Beispiel visueller Informationen 

Neuronale Netze bilden die Grundlage der biologischen Informationsverarbeitung und heutiger Umsetzungen künstlicher Intelligenz. Um wesentliche Unterschiede und Gemeinsamkeiten zwischen biologischen Systemen, künstlichen neuronalen Netzen in klassischen KI-Architekturen und neuronalen Netzen für NMC einzuführen, werden im Folgenden beispielhaft die Grundprinzipien der ersten Stufen der visuellen Informationsaufnahme und Informationsverarbeitung gegenübergestellt. Augenmerk liegt hierbei auf der Verdeutlichung und Kontextualisierung der Prinzipien von zeitabhängiger, asynchroner und ereignisbasierter Verarbeitung. 

Grundlagen der Neurophysiologie, wie der Aufbau von biologischen Neuronen, Synapsen und die Mechanismen zur Ausbildung von Aktionspotentialen, sind auch für das Verständnis der Konzepte des NMC hilfreich; am Ende des Textes findet sich ein kurzer Exkurs zu einigen Begrifflichkeiten, welcher bei Bedarf für den folgenden Abschnitt zurate gezogen werden kann. 

Biologisches System – visuelle Reizaufnahme im menschlichen Auge

Visuelle Reize treffen in Form von Photonen auf das Auge, durchqueren Hornhaut, Linse und Glaskörper und erreichen die Retina, wo Photorezeptoren mit dem lichtempfindlichen Molekül Rhodopsin Licht in elektrische Signale umwandeln; durch Photoisomerisierung wird eine Signalkaskade ausgelöst, die zur Hyperpolarisation der Zelle führt, wodurch die Neurotransmitterausschüttung beeinflusst und schließlich in den sogenannten Ganglienzellen Aktionspotenziale erzeugt werden, die über den Sehnerv ans Gehirn weitergeleitet werden.

Aufgrund von retinalen Mechanismen der Vorverarbeitung, etwa durch sogenannte rezeptive Felder und laterale Hemmung, werden vor allem Änderungen im eingehenden Bildsignal weitergeleitet. Das bedeutet: Statische Reize, die sich über die Zeit nicht verändern, führen zu einer geringeren neuronalen Aktivität, während dynamische Reize (z. B. Bewegung, Helligkeitswechsel) eine stärkere Reaktion auslösen. Diese Informationskodierung hat eine inhärent zeitliche Komponente. Die beschriebene Vorverarbeitung noch in der Retina des Auges ist ein evolutionär optimierter Mechanismus zur Effizienzsteigerung der Informationsweiterleitung und späteren Verarbeitung im Gehirn.

In asynchroner Weise werden ereignisbasiert neue oder relevante Informationen weitergeleitet, während konstante Reize unterdrückt werden, die Reizweiterleitung kann somit als selektiv bzw. ‚eventbasiert‘ bezeichnet werden.

Bedeutungszuordnungen, etwa Objektklassifikationen wie die Erkenntnis ‚das ist ein Apfel ‘ und weitere Verarbeitungen der visuellen Information finden nach Weiterleitung der retinal vorverarbeiteten Reize in höheren Hirnregionen, etwa dem Visuellen Kortex, statt [11].

Visuelle Informationsaufnahme in klassischen künstlichen neuronalen Netzen (KNNs)

In KNNs erfolgt die Informationsaufnahme durch digitale Bilddaten, die als numerische Matrizen (z. B. RGB-Werte) in das Netzwerk eingespeist werden. Diese Daten stammen in der Regel aus gängigen Kameras, welche die Photonen, über Sensorarrays (z. B. CMOS-basiert) in Pixelwerte umwandeln. 

Im Input-Layer werden die Pixelwerte der drei Farbkanäle (R, G, B) als numerische Eingaben eingespeist (siehe Abbildung 2). Typischerweise normalisiert auf den Bereich [0, 1] oder [-1, 1]. In einer flachen Vektordarstellung entspricht dies einem Input-Neuron pro Pixelwert pro Farbkanal, in Convolutional Netzen bleibt die räumliche Struktur erhalten.  

Anschließend erfolgt die Verarbeitung in den tiefen Schichten (Hidden layers) des Netzwerks, welche die Eingabedaten in abstraktere Repräsentationen transformieren. Mit zunehmender Tiefe der Schichten des KNNs kommt es in der Regel zu einer feiner granulierten Merkmalsabstraktion. Ausgabewert kann beispielsweise die Wahrscheinlichkeit für eine bestimmte Objektkategorie sein. 

Das Timing der Übertragung der Zahlenwerte in den Input Layer und die weitere Übertragung in die tieferen Schichten des Netzwerks ist bestimmt durch einen getakteten, synchronisierten Ablauf und ist nicht eventbasiert.  Bei jedem Abruf der Werte werden die Zahlenwerte aller Pixel, bzw. Neuronen abgerufen und weiterverarbeitet. Bei der Codierung des Signals gibt es keine immanente zeitliche Komponente [12]. 

Visuelle Informationsaufnahme in neuromorphen Systemen (NMC, SNNs)

In Zusammenhang mit neuromorphen visuellen Systemen kann die Detektion von Photonen entweder über klassische Kameras oder über spezialisierte neuromorphe Sensoren erfolgen. Im Fall konventioneller Kameras müssen die Bilddaten zunächst in ein kompatibles Format für neuromorphe Systeme konvertiert werden, welches einen ineffizienten und daher seltenen genutzten Ansatz darstellt.

Neuromorphe visuelle Sensoren hingegen orientieren sich funktional an der biologischen Retina: Sie erfassen visuelle Reize nicht als kontinuierliche Bilddaten, sondern über ereignisbasierte Sensorik. Ein Beispiel hierfür ist der Dynamic Vision Sensor, eine neuromorphen Kamera, deren Pixel unabhängig voneinander auf lokale Helligkeitsänderungen reagieren. Sobald die Lichtintensität an einem Pixel einen definierten Schwellenwert überschreitet, wird ein sogenanntes Event ausgelöst; unabhängig von einem globalen Takt oder festen Bildraten.

Diese Sensorik arbeitet asynchron: Jeder Pixel agiert autonom und sendet nur dann ein Signal, wenn eine relevante Änderung erkannt wird. Dadurch entsteht ein energieeffizienter, bereits auf Sensorebene vorverarbeiteter, dynamischer Datenstrom, der ausschließlich aus Zustandsänderungen besteht. Die Informationen werden in Form von zeitlich codierten Spikes weitergeleitet [13, 14].

Die weitere Verarbeitung und Bedeutungszuordnung dieser eingehenden Events erfolgt in den nachgelagerten Schichten von bevorzugt lokal integrierten SNNs, die analog zur biologischen Informationsverarbeitung auf die zeitliche Dynamik der Eingangssignale reagieren (siehe Abbildung 2).

Zusammenfassung: Vergleich visueller Informationsverarbeitung

Die visuelle Informationsverarbeitung unterscheidet sich grundlegend zwischen biologischen Systemen, klassischen künstlichen neuronalen Netzen (KNNs) und neuromorphen Systemen (NMC). Während biologische und neuromorphe Systeme Reize asynchron und ereignisbasiert verarbeiten, Neurone also nur bei relevanten Änderungen aktiv werden, arbeiten klassische KNNs synchron und kontinuierlich mit meist vollständigen Aktivierungsraten. Die zeitliche Dynamik visueller Signale ist der Datencodierung und -verarbeitung von SNNs und dem Gehirn systemimmanent.

Bereits diese knappe Gegenüberstellung zeigt, dass die verschiedenen Netzwerke distinkte Arbeitsprinzipien aufweisen, welche unterschiedliche Limitationen und Potentiale bergen.

Teil 2 und 3 des Themenpapiers vertiefen die Einführung in Prinzipien neuromorpher Hardware und Aufbau, Algorithmik und Training von SNNs. Teil 4 widmet sich dem aktuellen Stand der Anwendung neuromorphen Computings und gibt einem Ausblick auf zukünftige Entwicklungen.

EXKURS – Neurobiologische Grundbegriffe

Für vertiefende Informationen können die Quellen dieses Exkurses zu Rate gezogen werden, welche einen guten Einstieg in grundlegende Begriffe und Prinzipien der Neurophysiologie bieten [11, 15-17]:

Neurone und Gliazellen – Zelltypen des Gehirns (Es gibt Weitere)

Neuronen bestehen aus drei Hauptkomponenten: Dendriten, dem Soma (Zellkörper) und dem Axon. Dendriten empfangen Signale von anderen Zellen und leiten sie zum Soma weiter. Das Soma enthält den Zellkern und die Organellen, die für den Stoffwechsel und die Proteinsynthese zuständig sind. Vom Soma aus entspringt das Axon, das elektrische Signale (Aktionspotenziale) über weite Strecken weiterleitet. Am Axonende befinden sich Synapsen, die chemische Botenstoffe (Neurotransmitter) freisetzen, um Signale an andere Zellen zu übertragen. Gliazellen wie Astrozyten, Oligodendrozyten und Mikroglia unterstützen Neuronen strukturell, versorgen sie mit Nährstoffen, isolieren Axone (Myelinscheiden), übernehmen immunologische Funktionen und sind an der Informationsverarbeitung beteiligt. Es gibt hunderte an unterschiedlichen Neuronentypen mit distinkten elektrophysiologischen Eigenschaften und Erregungscharakteristiken.

Das Membranpotential

Das Membranpotential ist die allen Neuronen gegebene elektrischer Spannungsunterschied zwischen Zellinnerem und dem extrazellulären Raum. Es ist Grundlage der elektrischen Erregbarkeit und damit der Informationsübertragung. Das Membranpotential entsteht durch die ungleiche Verteilung von Ionen (v. a. Na⁺, K⁺, Cl⁻) und die selektive Permeabilität der neuronalen Zellmembran. Kaliumionen (K⁺) diffundieren durch leckende Kaliumkanäle aus der Zelle, was zu einer negativen Ladung im Zellinneren führt. Die Natrium-Kalium-Pumpe (Na⁺/K⁺-ATPase) trägt aktiv zur Aufrechterhaltung dieses Gradienten bei. Weitere Ionenkanäle spielen zusätzlich eine Rolle. Das typische Ruhepotential liegt bei etwa –70 mV.

Das Aktionspotential (‚Spike‘)

Ein Aktionspotential ist eine kurzzeitige Umkehr des Membranpotentials, ausgelöst durch das Öffnen spannungsgesteuerter Natriumkanäle. Sobald ein Schwellenpotential von ca. –55 mV erreicht wird, strömt Na⁺ in die Zelle, was zur Depolarisation führt. Danach öffnen sich Kaliumkanäle, K⁺ strömt aus der Zelle, und das Membranpotential kehrt zur Ruhe zurück (Repolarisation). Diese schnelle, gerichtete Signalweiterleitung entlang des Axons ist die Grundlage neuronaler Kommunikation. Das Aktionspotential folgt dem Alles-oder-Nichts-Prinzip; wird das Schwellenpotential überschritten, wird ein Aktionspotential bzw. ein Spike ausgelöst.

Das Gehirn – Biologische neuronale Netze

Das menschliche Gehirn besteht aus etwa 86 Milliarden Neuronen, die über hundert Billionen Synapsen miteinander verbunden sind. Diese Netzwerke sind hochgradig nichtlinear, dynamisch und kontextabhängig. Die neuronalen Informationsübertragung kann chemisch, über Synapsen und Neurotransmitter, oder elektrisch (über Gap Junctions) sein. Die Stärke und Anzahl dieser Verbindungen ist plastisch; sie verändert sich durch Erfahrung und Lernen. Diese synaptische Plastizität ist die Grundlage für Gedächtnisbildung und Lernprozesse. Die Informationsverarbeitung erfolgt parallel, verteilt und oft stochastisch. Trotz intensiver Forschung ist das Gehirn in vielen Aspekten noch nicht vollständig verstanden, insbesondere hinsichtlich emergenter Phänomene wie Bewusstsein oder Kreativität.

Quellen

• [1] Mehonic et al., 2024, Roadmap to neuromorphic computing with emerging technologies. APL Materials
• [2] Li et al., 2023, Brain inspired Computing: A Systematic Survey and Future Trends. TechRxiv by IEEE
• [3] Bitkom, 2023, Future Computing: Overview of technological Landscape.
• [4] Gartner Impact Radar, 2024: https://www.gartner.de/de/artikel/30-neue-technologien-beeinflussen-geschaeftsentscheidungen
• [5] Global Market Insights, Neuromorphic Computing Market, 2024: https://www.gminsights.com/industry-analysis/neuromorphic-computing-market
• [6] Precedence Research, Neuromorphic Computing Market Size and Forecast 2025 to 2034, 2025: https://www.precedenceresearch.com/neuromorphic-computing-market
• [7] Statista, Prognose zur Entwicklung des Marktpotenzials für Quanten-Computing in den Jahren 2024 bis 2040, 2025: https://de.statista.com/statistik/daten/studie/1198523/umfrage/entwicklung-des-marktpotenzials-fuer-quantencomputer/
• [8] Precedence Reasearch, Quantum Computing Market Size and Forecast 2025 to 2034, 2025: https://www.precedenceresearch.com/quantum-computing-market
• [9] Tech in Asia, China debuts brain-like computer with 2 billion artificial neurons, 2025: https://www.techinasia.com/news/china-debuts-brain-like-computer-with-2-billion-artificial-neurons
• [10] Kudithipudi et al., 2025, Neuromophic computing at scale. Nature Review
• [11] Bear et al., 2018, Neurowissenschaften. Springer
• [12] Goodfellow et al., 2016, Deep Learning. MIT Press book: https://www.deeplearningbook.org/
• [13] Guillermo et al., 2020, Event-based Vision: A Survey. IEEE: https://arxiv.org/pdf/1904.08405
• [14] Prophsee Company Website: https://www.prophesee.ai/
• [15] Purves, D. et al. (2018). Neuroscience (6th ed.), Oxford University Press
• [16] https://www.mpg.de/gehirn
• [17] www.dasgehirn.info

Autoren

Für Publikationen, Interviews, Podcasts usw. zum Thema Neuromorphes Computing und stehen die Autoren gerne zur Verfügung. Weitere Informationen über das ARIC sind in unserem Mediakit gesammelt.

Dr. Natalie Rotermund ist promovierte Neurowissenschaftlerin. Als wissenschaftliche Referentin beim ARIC betreut sie die Schwerpunktthemen Quantentechnologien und KI in Medizin und Life Sciences und hat bereits ein Paper zur Gesundheitsdatennutzung veröffentlicht.

rotermund@aric-hamburg.de

Jakob Mertes ist Machine Learning Engineer beim ARIC und berät Unternehmen zum verantwortungsvollen Einsatz von KI. Zuletzt berichtete er auf unserem Blog von der Vorstellung der europäischen KI-Plattform AIOD.EU in Paris.

mertes@aric-hamburg.de

Dieses Format wird im Rahmen des EDIH Hamburg mit Unterstützung durch die Europäische Union und der Hamburgischen Investitions- und Förderbank angeboten.