Die Simulation biologisch plausibler, neuronaler Netzwerke in den Neurowissenschaften stellt Anforderungen an Latenzzeiten für Kommunikations- und Speicherzugriffe wie wenige andere Anwendungen. Selbst einfache Netzwerke mit etwa 80.000 Neuronen und 300 Mio. Synapsen (dieses „Potjans-Diesmann-Microcircuit“ genannte Modell entspricht etwa ein Millionstel der Hirnrinde) konnten bisher auf HPC-Systemen − aber auch dedizierten Neuromorphic-Computing-Systemen − bestenfalls in annähernd biologischer Realzeit simuliert werden. Für die zukünftige Erforschung von Lernvorgängen in deutlich komplexeren Netzwerken sind signifikant schnellere Simulationen jedoch unabdingbar. In einem von der Helmholtz-Gemeinschaft geförderten Kooperationsprojekt ist es am Forschungszentrum Jülich (FZJ) erstmals gelungen, das Microcircuit auf einem IBM-Neural-Supercomputer viermal schneller als in Realzeit zu simulieren. Obwohl diese FPGA-basierte Maschine und ihr Kommunikationssystem für völlig anders geartete, künstliche neuronale Netze optimiert ist, konnten neuartige Ansätze validiert werden, die zur Entwicklung besser angepasster Hardwaresysteme für die eigentliche Erforschung von Lernvorgängen dienen können. Neben dem Einsatz in der neurowissenschaftlichen Forschung könnten solche neuromorphen Maschinen zukünftig auch als zusätzliche Module in modulare Supercomputer integriert werden. Die Originalveröffentlichung zu diesen Arbeiten ist in „Frontiers in Neuroscience“ erschienen. Weitere Informationen: go.fzj.de/nc-interview