Effizientes Spiking Neural Network lernt kontinuierlich für selbstadaptive iBMI

Die Zahl der gleichzeitig aufgezeichneten Neuronen in implantierbaren Gehirn‑Maschine‑Schnittstellen (iBMIs) wächst exponentiell. Um die Datenmenge für zukünftige drahtlose Systeme zu reduzieren, wird der neuronale Decoder zunehmend direkt im Implantat integriert. Doch die ständige Veränderung der Signalbedingungen führt zu unzuverlässigen Decoder‑Leistungen – ein Problem, das in der Praxis nicht toleriert werden kann.

Um dieser Herausforderung zu begegnen, setzt die aktuelle Studie auf Deep Spiking Neural Networks (DSNNs), die sich durch ihre Energieeffizienz und geringe Rechenanforderungen auszeichnen. Die Autoren haben zwei Reinforcement‑Learning‑Algorithmen – Banditron und AGREL – ausgewählt, weil sie mit begrenzten Ressourcen trainierbar sind und die Nicht‑Stationarität des Systems adressieren.

In offenen Loop‑Tests blieb die Genauigkeit beider DSNN‑Modelle über lange Zeiträume stabil. In geschlossenen Loop‑Experimenten, bei denen Störungen simuliert wurden, erreichte das DSNN Banditron eine Zeit‑bis‑Ziel‑Performance, die mit der von DSNN AGREL vergleichbar war. Gleichzeitig konnten die Speicherzugriffe um 98 % und die Anforderungen an Multiplikations‑ und Akkumulationsoperationen (MAC) um 99 % während des Trainings reduziert werden.

Diese Ergebnisse zeigen, dass kontinuierliches Lernen mit Banditron oder AGREL in DSNNs nicht nur die Zuverlässigkeit von iBMIs verbessert, sondern auch die Energie- und Speicherbelastung drastisch senkt – ein entscheidender Schritt hin zu sicheren, komfortablen und langfristig einsetzbaren Gehirn‑Maschine‑Schnittstellen.