Weniger Gewicht, mehr Wirkung: Wie ein industrieller Greifer neu gedacht wurde
21. August 2025
Bootstrapping im B2B: Wie nachhaltige Gründung ohne VC-Druck gelingt
28. Oktober 2025Mehr Intelligenz am Rand: Wie neuromorphes Rechnen Edge Devices effizienter macht
Von der Forschung zur Anwendung: Warum wir neuromorphes Rechnen testen
Künstliche Intelligenz ist daten- und rechenintensiv – und das macht sie energiehungrig. Besonders in Edge-Szenarien, also direkt an Maschinen, Produkten oder autonomen Sensoren, stellt das eine große Herausforderung dar: Hier zählt jedes Milliwatt, jeder Verarbeitungsschritt und jede Latenz.
Deshalb haben wir bei Abacus neo gemeinsam mit Helbling, einem führenden Schweizer Engineering- und Innovationsdienstleister, ein Proof-of-Concept initiiert. Unser Ziel: herausfinden, ob neuromorphes Rechnen – inspiriert vom menschlichen Gehirn – die Grundlage für eine neue Generation energieautonomer KI-Systeme bilden kann.
Wir haben Helbling als Partner gewählt, weil sie Kunden bei KI-Anwendungen optimal und verantwortungsvoll unterstützen und dies mit einem tiefen Verständnis für industrielle Anwendungen verbinden.
Neuromorphes Rechnen verspricht nicht nur eine drastische Reduktion des Energiebedarfs, sondern auch extrem geringe Latenzen: Informationen werden direkt dort verarbeitet, wo sie entstehen – am Sensor, ohne Umweg über eine Cloud. Das ermöglicht echtzeitfähige, autonome Entscheidungen in Produktionsumgebungen, selbst dort, wo keine stabile oder sichere Netzwerkanbindung möglich ist.
Gerade für batterielose oder durch Energy Harvesting betriebene Geräte, die Energie etwa aus Vibrationen, Licht oder Temperaturdifferenzen gewinnen, eröffnet diese Architektur völlig neue Einsatzfelder: Intelligente Systeme, die dauerhaft wartungsfrei arbeiten und dennoch auf lokale Veränderungen reagieren können.
Was ist neuromorphes Rechnen?
Statt Daten erst zu sammeln, zu übertragen und zentral zu verarbeiten, funktioniert neuromorphes Rechnen genau umgekehrt: Die Daten werden dort verarbeitet, wo sie entstehen. Die Architektur folgt analogen Neuronen-Modellen– nicht klassischer Softwarelogik.
Ein Spiking Neural Network verarbeitet Informationen in Form elektrischer Pulse. Das spart Energie und macht ultraschnelle Entscheidungen möglich. Der Preis: weniger Flexibilität und höhere Anforderungen an das Hardwaredesign.
Unser Projekt: Von der Theorie zur Lösung
In unserem explorativen Projekt haben wir konkrete Bauteile – sogenannte Memristoren – auf ihre Eignung für KI-Anwendungen getestet. Wir wollten wissen: Können wir Algorithmen wie k-means Clustering direkt auf Sensoren bringen? Wie präzise, schnell und effizient ist das?
Im Laufe des Projekts haben wir weitere neuromorphe Komponenten evaluiert, ein Testsystem aufgebaut und die Technologie auf eine reale Edge-Anwendung übertragen.
Das Ergebnis:
- Rechenzeit: wenige Millisekunden
- Energieverbrauch: unter 1 Milliwatt
- Genauigkeit: konkurrenzfähig mit klassischen Systemen
Das heißt: Neuromorphes Rechnen funktioniert – und zwar dort, wo es zählt.
Warum das zu Abacus neo passt
Wir glauben, dass Innovation nicht im Labor endet – sondern im Markt beginnt. Darum unterstützen wir Technologien, die reale Herausforderungen im Mittelstand lösen.
Neuromorphes Rechnen ist ein perfektes Beispiel: komplex, zukunftsweisend – und voller Potenzial für neue Produkte, Services und Geschäftsmodelle.
Was jetzt kommt
Der nächste Schritt ist die Überführung in konkrete Anwendungen. Gemeinsam mit Partnerunternehmen denken wir weiter: Wo bringen neuromorphe Architekturen echte Vorteile oder sind potentiell die Lösung auf ein bisher nur unbefriedigend zu lösendes Problem? Welche Use Cases lohnen sich zuerst?
Wenn du mit uns daran arbeiten willst – oder ein eigenes Edge-Thema im Kopf hast – dann lass uns sprechen.
