Neuromorphe Chips im Einsatz: Wegbereiter f\u00fcr das IoT der Zukunft<\/h1>\nNeuronale Netze erm\u00f6glichen die Telekommunikation von morgen<\/span><\/h3>\n<\/div><\/div><\/div>![](\"https:\/\/www.edih-rheinland.eu\/wp-content\/uploads\/2025\/12\/Logo-in-blau.png\")
<\/a><\/span><\/div><\/div><\/div><\/div><\/div>The initial situation<\/h3>\n
Die Greatech GmbH ist auf L\u00f6sungen im Bereich des \u201eIndustrial Internet of Things\u201c (IIoT) spezialisiert und entwickelt moderne Sensor- und Kommunikationsmodule. Zum Einsatz kommen die Funk-Sensoren u.a. bei der Erfassung von extreme Niederschlagsereignissen oder dem Echtzeit-Monitoring von K\u00fchlketten f\u00fcr Lebensmittel oder Medikamenten. Die eigens entwickelten Kommunikationsmodule (Gateways) erm\u00f6glichen eine energieeffiziente Daten\u00fcbertragung \u2013 sowohl \u00fcber lokale Mesh-Netzwerke als auch \u00fcber satellitengest\u00fctzte. Greatech beliefert seit Jahren einen wachsenden Markt, der auf zuverl\u00e4ssige Vernetzung und hochwertige Datenerhebung angewiesen ist.<\/p>\n
The Challenge<\/h3>\n
Anfang 2024 wandte sich Greatech an das Institute for Communication Technologies and Embedded Systems (ICE) der RWTH Aachen, um seine Produkte f\u00fcr zuk\u00fcnftige Anforderungen im Bereich des neuromorphen Computings zu r\u00fcsten. Im Fokus standen zwei zentrale Fragen:<\/p>\n
\n- Wie l\u00e4sst sich die Energieeffizienz der Ger\u00e4te weiter steigern?<\/li>\n
- Wie k\u00f6nnen KI-basierte Anwendungen integriert werden, ohne Gateways und Hardware komplett neu entwickeln zu m\u00fcssen?<\/li>\n<\/ul>\n
Das Ziel war es, Komponenten des neuromorphen Rechnens in die bestehenden Systeme einzubinden. So sollte erstmals eine ressourcenschonende Berechnung relevanter Indikatoren direkt auf dem Sensorknoten m\u00f6glich werden (Edge Computing)<\/p>\n
\nHinweis: Was ist neuromorphes Rechnen?<\/em><\/strong><\/p>\nNeuromorphe Hardware<\/a> \u00fcbertr\u00e4gt das Prinzip neuronaler Netze auf physische Chips. Lern- und Rechenprozesse werden dabei nicht simuliert, sondern direkt durch spezialisierte Schaltungen ausgef\u00fchrt. Das erm\u00f6glicht extrem energieeffiziente KI-Anwendungen.<\/a><\/a><\/p>\n<\/blockquote>\nThe Approach<\/h3>\n
Die Herausforderungen wurden im Rahmen mehrerer Workshops strukturiert adressiert:<\/p>\n
\n- Analyse der Produkte<\/strong>
\nDas ICE untersuchte die technischen Eigenschaften der Sensoren und Gateways, um geeignete neuromorphe Komponenten und passende Algorithmen auszuw\u00e4hlen.<\/li>\n- Untersuchung der Kommunikationsschnittstellen<\/strong>
\nDie Schnittstellen wurden detailliert analysiert, um die Funktionsweise zu verstehen und den ben\u00f6tigten Datenaustausch zu definieren.<\/li>\n<\/ol>\nDiese Workshops schufen ein gemeinsames technisches Verst\u00e4ndnis und legten die Basis f\u00fcr die Integration von Neuromorphic Computing in IoT-Hardware. Gleichzeitig entstanden erste Ideen zur sinnvollen Einbindung von KI-Prozessen in mobilen Sensoren, Gateways und Bodenstationen.<\/p>\n
The Solution<\/h3>\n
Die Workshop-Ergebnisse m\u00fcndeten in einem Demonstrator, der die entwickelten Konzepte erstmals praktisch umsetzte: Im NeuroLab des ICE entstand eine modifizierte Version des SWARM Gateways von Greatech. Dabei wurden zentrale Merkmale identifiziert, die k\u00fcnftig f\u00fcr die Berechnung von Indikatoren direkt auf dem Sensorknoten genutzt werden k\u00f6nnen.<\/p>\n
\u00dcber neue Schnittstellen wurde das Gateway mit dem vom ICE entwickelten NeuroBoard verbunden. Damit gelang erstmals die direkte Kopplung neuromorpher Bauelemente mit Greatech-Hardware \u2013 ein wichtiger Meilenstein auf dem Weg zu energieeffizienten KI-Prozessen in IoT-Systemen. Die ausgelagerten Berechnungen auf dem NeuroBoard best\u00e4tigten die Machbarkeit und das Potenzial der hybriden Architektur.<\/p>\n
Results and benefits<\/h3>\n\n- Tiefergehende Analyse der Greatech-Produkte<\/strong>
\nDie Untersuchung zeigte klar: Die Ger\u00e4te k\u00f6nnen erheblich von maschinellen Lernverfahren profitieren \u2013 sowohl hinsichtlich Energieeffizienz als auch Datenverarbeitungsqualit\u00e4t.<\/li>\n- Vermeidung eines kompletten Redesigns<\/strong>
\nEs wurden geeignete Schnittstellen identifiziert, sodass neuromorphe Komponenten ohne Neuentwicklung der gesamten Hardware eingebunden werden k\u00f6nnen.<\/li>\n- Entwicklung eines Demonstrators<\/strong>
\nGemeinsam mit dem ICE entstand ein Konzept, das auf Messen und Veranstaltungen die Vorteile Machine Learning-optimierter Sensoren sichtbar macht \u2013 durch die Verbindung von Greatech-Gateway und NeuroBoard.<\/li>\n<\/ul>\nAusblick und \u00dcbertragbarkeit<\/strong><\/h3>\nDie hybride Integration von KI-Anwendungen durch die Kombination klassischer Hardware mit neuromorphen Komponenten ist nicht nur f\u00fcr Greatech relevant.
\nDas Vorgehen l\u00e4sst sich auf weitere IoT-Produkte \u00fcbertragen:<\/p>\n
\n- Identifikation geeigneter Hardwareeinheiten<\/li>\n
- Analyse der Integrationspotenziale f\u00fcr neuromorphes Rechnen<\/li>\n
- Entwicklung einer kosteneffizienten Hybridl\u00f6sung als Zwischenstufe<\/li>\n
- Schrittweise Migration zu voll integrierten neuromorphen KI-Chips<\/li>\n<\/ul>\n
Bevor ein vollst\u00e4ndiger Umbau der Hardware erfolgt, erm\u00f6glicht das NeuroBoard als Zwischenschritt eine wirtschaftliche und ressourcenschonende Einf\u00fchrung neuromorpher Technologien.<\/p>\n
Dar\u00fcber hinaus l\u00e4sst sich sagen, dass das Pilotprojekt nicht nur f\u00fcr Greatech sondern auch f\u00fcr das ICE selbst gewinnbringend gewesen ist: die Einbindung des neuromorphen Rechnens in das Produktportfolio des Unternehmens bot f\u00fcr das ICE eine optimale M\u00f6glichkeit, das NeuroBoard weiterzuentwickeln und zwischenzeitlich auch anderen Kunden als Plattform f\u00fcr deren eigene Entwicklungen zur Verf\u00fcgung zu stellen bzw. zu lizensieren.<\/p>\n
Dieses Projekt wurde Im Rahmen des EDIH-Projekts durch das Institut f\u00fcr Kommunikationstechnologien und eingebetete Systeme<\/a> durchgef\u00fchrt.<\/p>\n<\/div><\/div><\/div>
<\/a><\/span><\/div><\/div><\/div><\/div><\/div>The initial situation<\/h3>\n
Die Greatech GmbH ist auf L\u00f6sungen im Bereich des \u201eIndustrial Internet of Things\u201c (IIoT) spezialisiert und entwickelt moderne Sensor- und Kommunikationsmodule. Zum Einsatz kommen die Funk-Sensoren u.a. bei der Erfassung von extreme Niederschlagsereignissen oder dem Echtzeit-Monitoring von K\u00fchlketten f\u00fcr Lebensmittel oder Medikamenten. Die eigens entwickelten Kommunikationsmodule (Gateways) erm\u00f6glichen eine energieeffiziente Daten\u00fcbertragung \u2013 sowohl \u00fcber lokale Mesh-Netzwerke als auch \u00fcber satellitengest\u00fctzte. Greatech beliefert seit Jahren einen wachsenden Markt, der auf zuverl\u00e4ssige Vernetzung und hochwertige Datenerhebung angewiesen ist.<\/p>\n
The Challenge<\/h3>\n
Anfang 2024 wandte sich Greatech an das Institute for Communication Technologies and Embedded Systems (ICE) der RWTH Aachen, um seine Produkte f\u00fcr zuk\u00fcnftige Anforderungen im Bereich des neuromorphen Computings zu r\u00fcsten. Im Fokus standen zwei zentrale Fragen:<\/p>\n
- \n
- Wie l\u00e4sst sich die Energieeffizienz der Ger\u00e4te weiter steigern?<\/li>\n
- Wie k\u00f6nnen KI-basierte Anwendungen integriert werden, ohne Gateways und Hardware komplett neu entwickeln zu m\u00fcssen?<\/li>\n<\/ul>\n
Das Ziel war es, Komponenten des neuromorphen Rechnens in die bestehenden Systeme einzubinden. So sollte erstmals eine ressourcenschonende Berechnung relevanter Indikatoren direkt auf dem Sensorknoten m\u00f6glich werden (Edge Computing)<\/p>\n
\n
Hinweis: Was ist neuromorphes Rechnen?<\/em><\/strong><\/p>\n
Neuromorphe Hardware<\/a> \u00fcbertr\u00e4gt das Prinzip neuronaler Netze auf physische Chips. Lern- und Rechenprozesse werden dabei nicht simuliert, sondern direkt durch spezialisierte Schaltungen ausgef\u00fchrt. Das erm\u00f6glicht extrem energieeffiziente KI-Anwendungen.<\/a><\/a><\/p>\n<\/blockquote>\n
The Approach<\/h3>\n
Die Herausforderungen wurden im Rahmen mehrerer Workshops strukturiert adressiert:<\/p>\n
- \n
- Analyse der Produkte<\/strong>
\nDas ICE untersuchte die technischen Eigenschaften der Sensoren und Gateways, um geeignete neuromorphe Komponenten und passende Algorithmen auszuw\u00e4hlen.<\/li>\n- Untersuchung der Kommunikationsschnittstellen<\/strong>
\nDie Schnittstellen wurden detailliert analysiert, um die Funktionsweise zu verstehen und den ben\u00f6tigten Datenaustausch zu definieren.<\/li>\n<\/ol>\nDiese Workshops schufen ein gemeinsames technisches Verst\u00e4ndnis und legten die Basis f\u00fcr die Integration von Neuromorphic Computing in IoT-Hardware. Gleichzeitig entstanden erste Ideen zur sinnvollen Einbindung von KI-Prozessen in mobilen Sensoren, Gateways und Bodenstationen.<\/p>\n
The Solution<\/h3>\n
Die Workshop-Ergebnisse m\u00fcndeten in einem Demonstrator, der die entwickelten Konzepte erstmals praktisch umsetzte: Im NeuroLab des ICE entstand eine modifizierte Version des SWARM Gateways von Greatech. Dabei wurden zentrale Merkmale identifiziert, die k\u00fcnftig f\u00fcr die Berechnung von Indikatoren direkt auf dem Sensorknoten genutzt werden k\u00f6nnen.<\/p>\n
\u00dcber neue Schnittstellen wurde das Gateway mit dem vom ICE entwickelten NeuroBoard verbunden. Damit gelang erstmals die direkte Kopplung neuromorpher Bauelemente mit Greatech-Hardware \u2013 ein wichtiger Meilenstein auf dem Weg zu energieeffizienten KI-Prozessen in IoT-Systemen. Die ausgelagerten Berechnungen auf dem NeuroBoard best\u00e4tigten die Machbarkeit und das Potenzial der hybriden Architektur.<\/p>\n
Results and benefits<\/h3>\n
- \n
- Tiefergehende Analyse der Greatech-Produkte<\/strong>
\nDie Untersuchung zeigte klar: Die Ger\u00e4te k\u00f6nnen erheblich von maschinellen Lernverfahren profitieren \u2013 sowohl hinsichtlich Energieeffizienz als auch Datenverarbeitungsqualit\u00e4t.<\/li>\n- Vermeidung eines kompletten Redesigns<\/strong>
\nEs wurden geeignete Schnittstellen identifiziert, sodass neuromorphe Komponenten ohne Neuentwicklung der gesamten Hardware eingebunden werden k\u00f6nnen.<\/li>\n- Entwicklung eines Demonstrators<\/strong>
\nGemeinsam mit dem ICE entstand ein Konzept, das auf Messen und Veranstaltungen die Vorteile Machine Learning-optimierter Sensoren sichtbar macht \u2013 durch die Verbindung von Greatech-Gateway und NeuroBoard.<\/li>\n<\/ul>\nAusblick und \u00dcbertragbarkeit<\/strong><\/h3>\n
Die hybride Integration von KI-Anwendungen durch die Kombination klassischer Hardware mit neuromorphen Komponenten ist nicht nur f\u00fcr Greatech relevant.
\nDas Vorgehen l\u00e4sst sich auf weitere IoT-Produkte \u00fcbertragen:<\/p>\n- \n
- Identifikation geeigneter Hardwareeinheiten<\/li>\n
- Analyse der Integrationspotenziale f\u00fcr neuromorphes Rechnen<\/li>\n
- Entwicklung einer kosteneffizienten Hybridl\u00f6sung als Zwischenstufe<\/li>\n
- Schrittweise Migration zu voll integrierten neuromorphen KI-Chips<\/li>\n<\/ul>\n
Bevor ein vollst\u00e4ndiger Umbau der Hardware erfolgt, erm\u00f6glicht das NeuroBoard als Zwischenschritt eine wirtschaftliche und ressourcenschonende Einf\u00fchrung neuromorpher Technologien.<\/p>\n
Dar\u00fcber hinaus l\u00e4sst sich sagen, dass das Pilotprojekt nicht nur f\u00fcr Greatech sondern auch f\u00fcr das ICE selbst gewinnbringend gewesen ist: die Einbindung des neuromorphen Rechnens in das Produktportfolio des Unternehmens bot f\u00fcr das ICE eine optimale M\u00f6glichkeit, das NeuroBoard weiterzuentwickeln und zwischenzeitlich auch anderen Kunden als Plattform f\u00fcr deren eigene Entwicklungen zur Verf\u00fcgung zu stellen bzw. zu lizensieren.<\/p>\n
Dieses Projekt wurde Im Rahmen des EDIH-Projekts durch das Institut f\u00fcr Kommunikationstechnologien und eingebetete Systeme<\/a> durchgef\u00fchrt.<\/p>\n<\/div><\/div><\/div>
- Vermeidung eines kompletten Redesigns<\/strong>
- Untersuchung der Kommunikationsschnittstellen<\/strong>
- Analyse der Produkte<\/strong>