Marktbericht für neuromorphe Chips: Größe, Marktanteil und Trendanalyse nach Anwendung (Bilderkennung, Signalerkennung, Data Mining, Prozessoptimierung, Sonstige), nach Angeboten (Hardware, Software), nach Endverbraucherbranche (Finanzdienstleistungen und Cybersicherheit, Automobilindustrie (ADAS/Autonome Fahrzeuge), Industrie (IoT-Ökosystem, Überwachung und Robotik), Unterhaltungselektronik, Sonstige Endverbraucherbranchen (Medizin, Raumfahrt, Verteidigung usw.)) und nach Region (Nordamerika, Europa, Asien-Pazifik, Naher Osten und Afrika, Lateinamerika) – Prognosen für 2024–2032

Wachstumsfaktoren

Steigende Nachfrage nach Mikrochips auf Basis künstlicher Intelligenz

Künstliche Intelligenz (KI) wird von Unternehmen massiv gefördert, und der Chipmarkt gewinnt zunehmend an Bedeutung. Endnutzer verwenden bereits zahlreiche Anwendungen, und viele neue werden in Kürze erwartet. CPUs und KI-Beschleuniger sind derzeit die gängigsten Halbleiter für KI-Anwendungen. Da CPUs in ihrer Rechenleistung begrenzt sind, dominieren KI-Beschleuniger den Markt. Anwendungsspezifische integrierte Schaltungen (ASICs), GPUs und Field-Programmable Gate Arrays (FPGAs) sind Beispiele für KI-Beschleuniger, die aktuell auf dem Markt erhältlich sind. GPUs bieten einen deutlichen Vorteil bei der Verarbeitung von KI-Training und -Inferenz, da sie über viele parallele Prozessorkerne verfügen. Ihr hoher Energieverbrauch macht sie jedoch für den zukünftigen Einsatz ungeeignet.

Trotz ihrer geringeren Leistung können neue FPGAs jedoch zehnmal energieeffizienter sein als GPUs.FPGAsASICs können in Anwendungen eingesetzt werden, in denen Energieeffizienz höchste Priorität hat. Sie bieten die beste Leistung, den geringsten Stromverbrauch und die höchste Effizienz unter den KI-Beschleunigern. Forschung und Entwicklung im Bereich KI konzentrieren sich primär auf die Verbesserung und Nutzung tiefer neuronaler Netze und KI-Beschleuniger. KI ist auf die Generierung von Datenanalysen in nahezu Echtzeit angewiesen. Neuromorphes Computing soll diese Lücke schließen, indem es bestimmte Aspekte der Gehirnfunktionen nachbildet. Diese vom Gehirn inspirierte Architektur, die Rechenleistung und Speicher kombiniert und Neuronen und Synapsen simuliert, kann potenziell die Anforderungen von KI-Systemen der nächsten Generation erfüllen.

Aufkommender Trend: Kombination des Konzepts der Neuroplastizität mit Elektronik

Heutige Computer stoßen aufgrund des hohen Energiebedarfs zur Verarbeitung großer Datenmengen an ihre Grenzen. Biologische neuronale Systeme hingegen verarbeiten beträchtliche Informationsmengen auf komplexe Weise und verbrauchen dabei deutlich weniger Energie. Die Energieeinsparung in neuronalen Systemen beruht auf der sparsamen Nutzung von Hardware-Ressourcen in Bezug auf Zeit und Speicherplatz. Da viele reale Probleme energielimitiert sind und die Verarbeitung großer Datenmengen erfordern, bieten neuromorphe Chips vielversprechende Möglichkeiten. Die Struktur des menschlichen Gehirns verändert sich im Laufe des Lebens durch Lernen und die Übernahme neuer Aufgaben – ein Phänomen, das als Neuroplastizität bekannt ist. Entwickler neuromorpher Chips integrieren das Konzept der Neuroplastizität in die Elektronik.

• Beispielsweise besteht Intels neuromorpher Chip Loihi aus einem Mehrkern-Netzwerk von Neuronen, das rekurrente und hierarchische neuronale Netzwerktopologien unterstützt.

Im März 2020 gab Intel die Einsatzbereitschaft von Pohoiki Springs bekannt, seinem leistungsstärksten und neuesten neuromorphen Forschungssystem mit der Rechenkapazität von fast 100 Millionen Neuronen. Das Cloud-basierte System steht den Mitgliedern der Intel Neuromorphic Research Community (INRC) zur Verfügung und erweitert deren neuromorphe Forschung zur Lösung komplexerer Probleme. Das System besteht aus 24 Nahuku-Boards mit je 32 Chips und integriert insgesamt 768 Loihi-Chips. Mehrere Programme, wie beispielsweise Systems of Neuromorphic Adaptive Plastic Scalable Electronics (SyNAPSE), unterstützen einen multidisziplinären Ansatz zur Koordination wichtiger Technologieentwicklungsaktivitäten in den Bereichen Architektur, Hardware und Simulation. In der ersten Phase von SyNAPSE wurden elektronische synaptische Komponenten im Nanometerbereich entwickelt, die die Verbindungsstärke zwischen zwei Neuronen analog zu biologischen Systemen variieren können. Die Anwendung dieser synaptischen Komponenten in den Kernmikroschaltungen, die die Gesamtarchitektur des Systems unterstützen, wurde simuliert.

Hemmende Faktoren

Bedarf an hoher Präzision und Komplexität im Hardware-Design

Das Design neuromorpher Chips verfolgt das Ziel, Teile des biologischen Nervensystems nachzubilden. Es geht darum, dessen Rechenleistung und insbesondere seine Fähigkeit zur effizienten Lösung kognitiver und perzeptueller Aufgaben zu reproduzieren. Dies erfordert die Modellierung von Netzwerken mit ausreichender Komplexität hinsichtlich der Anzahl der Neuronen und synaptischen Verbindungen. Das Gehirn und seine Fähigkeit zu lernen und sich an spezifische Probleme anzupassen sind weiterhin Gegenstand neurowissenschaftlicher Grundlagenforschung. Hochintegrierte analoge Schaltungsarrays, komplexe Schnittstellen sowie die Schwierigkeiten und Fallstricke des physikalischen Standardzellendesigns können die Standardwerkzeuge an ihre Grenzen bringen. Dies dürfte ein gemeinsamer Nenner der meisten neuromorphen Hardware-Designs sein. Daher ist die Entwicklung nicht-standardisierter Designabläufe oder kundenspezifischer Werkzeuge integraler Bestandteil des gesamten Designprozesses.

Analoge Schaltungen sind zudem aufgrund von Fehlanpassungseffekten anfällig für Abweichungen mehrerer Parameter und benötigen eine zusätzliche Kalibrierung, um den Zielarbeitspunkt zu erreichen. Während einzelne Komponenten häufig mit herkömmlichen Simulationsstrategien getestet werden können, ist die Beurteilung der Funktionalität einer kompletten Schaltung aufgrund von Abhängigkeiten und Fehlerfortpflanzung der Parameter eingeschränkt. Insbesondere bei komplexen Schaltungen mit hochdimensionalen Parameterräumen können mehrdimensionale Abhängigkeiten schwer aufzulösen sein. Die Verifizierung solcher komplexer Schaltungen stellt daher eine erhebliche Herausforderung dar.

Marktchancen

Entwicklung neuer Techniken

Auf Universitätsebene werden neue Techniken zur Herstellung neuromorpher Chips erprobt.

• Beispielsweise ging FRANZ, eine weltweit tätige Keramikmarke, im April 2021 eine Partnerschaft mit dem Fachbereich Biomedizintechnik der National Yang-Ming Chiao Tung Universität ein, um ein neues Verfahren zur Herstellung neuromorpher Chips mittels keramischer 3D-Drucktechnologie zu entwickeln. Diese Chips sollen neuroelektrische Signale und die Konzentration von Neurotransmittern erfassen und eine Tiefenhirnstimulation ermöglichen. Zukünftig könnten diese neuromorphen Chips in der Medizin zur Behandlung von Erkrankungen wie neurodegenerativen Störungen eingesetzt werden. Die Entwicklung solcher Verfahren birgt daher ein enormes Marktpotenzial.

Regionale Einblicke

Nordamerika ist mit einer durchschnittlichen jährlichen Wachstumsrate von 46,7 % die dominierende Region.

Nordamerika hielt den größten Marktanteil und wird im Prognosezeitraum voraussichtlich mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 46,7 % wachsen. Einige der bedeutendsten Marktteilnehmer, darunter Intel und IBM, haben ihren Sitz in Nordamerika. Faktoren wie staatliche Initiativen, Investorentätigkeit und andere tragen zum Wachstum des Marktes für neuromorphe Chips in der Region bei. Ein wesentlicher Wachstumsfaktor in Nordamerika ist das Interesse staatlicher Stellen an neuromorphem Computing.

• Das US-Energieministerium (DOE) kündigte beispielsweise im September 2020 eine Finanzierung von 2 Millionen US-Dollar für fünf Grundlagenforschungsprogramme zur Entwicklung neuromorpher Computer an. Die Initiative des DOE fördert die Entwicklung von Hardware und Software für neuromorphe Computer, die vom menschlichen Gehirn inspiriert sind.

Die kanadische Regierung hingegen konzentriert sich auf KI-Technologien, von denen man sich ebenfalls Wachstumschancen im Bereich des neuromorphen Rechnens in den kommenden Jahren verspricht.

• Beispielsweise arbeiteten die Regierungen von Kanada und Québec im Juni 2020 zusammen, um die ethische Weiterentwicklung von KI zu fördern. Der Schwerpunkt liegt dabei auf verschiedenen Themen, darunter zuverlässige KI, Kommerzialisierung, Datenverwaltung sowie zukünftige Arbeiten und Innovationen. Der zunehmende Einsatz KI-basierter Prozessoren treibt den Markt für neuromorphe Chips in Kanada an.

Europa ist die zweitgrößte Region. Bis 2030 wird ein Marktvolumen von 360 Millionen US-Dollar erwartet, was einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 48,9 % entspricht. Aufgrund staatlicher Initiativen, Investitionen von Herstellern etc. wird in Europa ebenfalls mit einem Anstieg neuromorpher Chips gerechnet. Mehrere langfristige Forschungsprojekte zur Weiterentwicklung der neuromorphen Technologie wurden in Zusammenarbeit mit verschiedenen Partnern initiiert.

• Beispielsweise kündigte das französische Forschungsinstitut CEA-Leti für Elektronik und Informationstechnologien im April 2021 den Start von EU-Projekten zur Entwicklung neuartiger Algorithmen, Geräte und Schaltkreise an, die die Verarbeitung biologischer neuronaler Systeme auf verschiedenen Zeitskalen nachbilden. Die Ergebnisse sollen den Aufbau neuromorpher Computersysteme ermöglichen, die reale sensorische Signale und natürliche Zeitreihendaten effizient in Echtzeit verarbeiten und dies anhand eines praktischen Laborprototyps demonstrieren können. An dem Projekt sind europäische Organisationen wie Imec, IBM Schweiz, die Universität Zürich, CSIS, CNR, SynSense und UOG beteiligt. Das Projekt soll bis Juni 2023 abgeschlossen sein, und die Europäische Union hat über 3 Millionen Euro beigesteuert. Das Human Brain Project (HBP) in Europa ist ein zehnjähriges Projekt, das 2013 gestartet wurde. Es befindet sich in seiner finalen Phase (April 2020 bis März 2023) und konzentriert sich auf drei Kernbereiche: Gehirnnetzwerke, ihre Rolle im Bewusstsein und künstliche neuronale Netze. Kürzlich wurden die Projektzentren in Betrieb genommen, um die Zusammenarbeit und die wissenschaftliche Forschung zu fördern. Lokale Anbieter in der Region konzentrieren sich dank Investitionen zahlreicher Risikokapitalgeber auf die Entwicklung neuromorpher Halbleiter. Diese Investitionen dürften die Innovationskraft des Marktes stärken.

Der asiatisch-pazifische Raum ist die am schnellsten wachsende Region

Der asiatisch-pazifische Raum ist die drittgrößte Region und zählt zu den Regionen mit der schnellsten Technologieadaption. Dank staatlicher Förderung, Investitionen in Forschung und Innovation erlebt die Region ein rasantes Wachstum im Bereich neuromorpher Technologien. Im März 2021 kündigte die chinesische Regierung an, die Ausgaben für Forschung und Entwicklung zwischen 2021 und 2025 um mehr als 7 % zu erhöhen, um technologische Durchbrüche zu erzielen. In ihrem 14. Fünfjahresplan legte das Land sieben Technologiebereiche fest, auf die sich die Forschung konzentrieren soll, darunter Künstliche Intelligenz, Quantencomputing, Halbleiter und Raumfahrt. Ein Schwerpunkt liegt auf der Hirnforschung, auch bekannt als Gehirn-Computer-Fusion, die zur Behandlung von Krankheiten beitragen könnte. Im Rahmen ihrer umfassenden Strategie, bis 2030 eine globale Führungsrolle in KI-Theorien, -Technologien und -Anwendungen einzunehmen, betonte China, dass die Eigenproduktion modernster KI-Chips entscheidend für den Erfolg sei. Um die Herausforderungen in der Chipproduktion und der Selbstversorgung zu meistern, engagieren sich chinesische Anbieter verstärkt in der Entwicklung von KI-Chips.

• ByteDance plant beispielsweise auch die Herstellung von Halbleitern. Das Unternehmen verfügt über ein Team, das die Entwicklung von KI-Chips erforscht. Solche Aktivitäten schaffen Wachstumschancen für neuromorphe Chips im Land.

Segmentierungsanalyse

Nach Endverbraucherbranche

Nach Endverbraucherbranchen ist der globale Markt für neuromorphe Chips in Finanzdienstleistungen und Cybersicherheit, Automobilindustrie (ADAS/autonome Fahrzeuge), Industrie (IoT-Ökosystem, Überwachung und Robotik), Unterhaltungselektronik und sonstige Endverbraucherbranchen (Medizin, Raumfahrt, Verteidigung usw.) unterteilt. Die Unterhaltungselektronik hatte den größten Marktanteil und wird im Prognosezeitraum voraussichtlich mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 45,7 % wachsen.UnterhaltungselektronikDie Industrie erkennt neuromorphes Computing als vielversprechendes Werkzeug für Hochleistungsrechnen bei gleichzeitig extrem niedrigem Stromverbrauch. So nutzen beispielsweise KI-Dienste wie Alexa und Siri Cloud-Computing mit Internetverbindung, um gesprochene Befehle und Fragen zu analysieren und zu beantworten. Neuromorphe Chips bergen das Potenzial, verschiedene Sensoren und Geräte intelligent und ohne Internetverbindung arbeiten zu lassen. Smartphones gelten als treibende Kraft für die Einführung neuromorphen Computings. Viele Vorgänge, wie beispielsweise biometrische Verfahren, sind energie- und datenintensiv. Bei der Spracherkennung werden beispielsweise Audiodaten in der Cloud verarbeitet und anschließend an das Smartphone zurückgesendet.

Zudem benötigt Künstliche Intelligenz (KI) mehr Rechenleistung. Energiesparendes neuromorphes Computing könnte jedoch dazu beitragen, dass Anwendungen, die derzeit in der Cloud laufen, zukünftig direkt auf Smartphones ausgeführt werden können, ohne den Akku des Geräts wesentlich zu belasten. Anstatt KI-Aufgaben an Cloud-Systeme auszulagern, die viel Kühlung und Energie benötigen, könnten diese Aufgaben dank des geringen Energiebedarfs neuromorphen Computings potenziell von Hardware wie Smartphones, Tablets, Drohnen und Wearables übernommen werden. Neuromorphes Computing könnte zu einer bedeutenden, integrierten Technologiebranche führen, in der Computing zu einem durchgängigen Systemdesignproblem wird. Alle genannten Faktoren fördern das Marktwachstum.

Das Industriesegment ist das zweitgrößte. Neuromorphe Chips können Bild-, Sprach- und Signaldaten, die in verschiedenen IoT-Benutzerschnittstellen und Sensoren anfallen, effizient verarbeiten. Zudem sind die Chips bis auf Serverebene skalierbar, was IoT-Szenarien mit hybriden Architekturen zugutekommen kann. Künstliche neuronale Netze werden in großem Umfang für Lösungen eingesetzt, die von Robotersteuerung und maschinellem Lernen bis hin zu Bilderkennung und Computerspielen reichen. Obwohl die Ergebnisse effektiv sind, basieren sie auf einem stark vereinfachten Modell biologischer Neuronen. Die Neurowissenschaften haben deutlich präzisere Modelle entwickelt, deren Implementierung in Computern jedoch derzeit sehr komplex ist. Daher entwickeln Wissenschaftler und Industrie alternative Computerarchitekturen, die eine gehirnähnlichere Datenverarbeitung ermöglichen. Der Einsatz neuromorpher Technologie verspricht außerdem eine Reduzierung des Energieverbrauchs in der Robotik, was ein Hauptziel dieser Technologie ist. All diese Faktoren tragen zum Marktwachstum bei.