Sumeet Kumar, Mitgründer und CEO von Innatera – Interview-Serie

Sumeet Kumar ist der Mitgründer und CEO von Innatera Nanosystems, wo er die Entwicklung von ultra-effizienten neuromorphen Prozessoren für die Analyse von Sensordaten in IoT-, Wearable- und Embedded-Geräten leitet. Zuvor leitete er EU-geförderte Forschungsprojekte an der TU Delft, einschließlich des 50-Millionen-Euro-Projekts PRYSTINE für autonome Fahrzeugtechnologien, und hatte Positionen bei Intel (INTC ) und in der akademischen Forschung zu fortschrittlichen Prozessorarchitekturen inne.

Innatera ist ein Halbleiterunternehmen, das sich auf die Entwicklung von ultra-niedrigenergetischer Intelligenz für die “Sensor-Kante” spezialisiert hat. Die Kerninnovation des Unternehmens liegt in der Entwicklung von spiking neuronalen Prozessoren, die auf einer analog-mischsignal-Architektur basieren und das ereignisbasierte Verarbeiten des Gehirns nachahmen. Diese Chips können Muster in Sensordaten bei sub-milliwatt-Leistungsverbrauch und ultra-niedriger Latenz erkennen, was sie ideal für immer-ein-, leistungsbeschränkte Anwendungen macht.

Sie haben Innatera 2018 mit der Vision gegründet, neuromorphe Prozessoren aus dem Labor in reale Geräte zu bringen. Was hat Sie persönlich dazu bewogen, das Unternehmen zu gründen, und wie hat sich diese Vision in den letzten sieben Jahren entwickelt?

Innatera wurde mit einer klaren Mission gegründet: die direkte Integration von Gehirn-ähnlicher Intelligenz in die Sensorik. Die Anzeichen waren bereits 2018 klar, Geräte integrierten immer komplexere Sensoren, und die Notwendigkeit für immer-ein-Sensoren wuchs. Mikrocontroller verfügten nicht über leistungsEffiziente KI-Fähigkeiten, und selbst dies würde nur wenig bewirken, wenn es um kontinuierliche Verarbeitung in Geräten mit kleinen Batterien ging. Es war klar, dass die Art und Weise, wie Sensordaten in diesen Geräten verarbeitet werden, geändert werden musste, und die Dekade der Forschung, die wir an der TUDelft auf dem Gebiet der neuromorphen Rechnertechnik und der energieeffizienten Verarbeitung durchgeführt hatten, schien eine Antwort auf diese Herausforderung zu haben.

Unsere Vision ist konstant geblieben – eine intelligente, saubere und sichere Welt, die durch Ambient-Intelligenz angetrieben wird. Durch die Integration von Intelligenz in Sensoren werden unsere Chips es ermöglichen, dass die Welt der Sensordaten direkt an der Quelle verarbeitet wird, was zu einer radikalen Reduzierung des Energieverbrauchs moderner KI führen wird. Wir zielen darauf ab, bis 2030 eine Milliarde Sensoren intelligent zu machen.

Pulsar ist der erste Schritt auf dieser Reise – es ist der erste neuromorphe Mikrocontroller, der für den Massenmarkt entwickelt wurde. Er macht gehirninspirierte Intelligenz in Wearables, Smart-Home-Geräten und industriellen Systemen praktisch, unter anderem, und legt den Grundstein für adaptive, autonome Technologien der Zukunft.

Pulsar basiert auf einem grundlegend neuen Ansatz für die Verarbeitung an der Sensorik, der über 7 Jahre harter Forschung und Entwicklung entstanden ist. Was als Unternehmen mit vier Personen begann, ist in dieser Zeit zu einem globalen Team von 100 Mitarbeitern in 15 Ländern gewachsen, das von einer people-first-Kultur geprägt ist, die auf Resilienz, Kreativität und Ehrgeiz setzt.

Pulsar wird als der erste wirklich massenmarkttaugliche neuromorphe Mikrocontroller beschrieben. Was unterscheidet es von früheren neuromorphen Chips, die größtenteils auf Forschungslabore beschränkt blieben?

Der Fokus der akademischen Forschung liegt oft auf der Entwicklung innovativer neuer Ansätze, um schwierige Probleme zu lösen. Als Folge werden die Vorteile von Lösungen oft isoliert gemessen. Wenn jedoch diese neuen Technologien in die Produktion übernommen werden, müssen sie mit anderen Teilen des Systems interagieren, was oft dazu führt, dass ihre Vorteile abgeschwächt werden. Dies ist auch der Fall für viele neuromorphe und konventionelle KI-Beschleunigungstechnologien – sie werden in Systeme integriert, die nicht mit denselben Grundlagen konzipiert sind, was zu einem Ergebnis führt, das in seiner Effizienz blass ist. Pulsar hingegen ist ein vollständiger, eigenständiger Mikrocontroller, der speziell für die effiziente Verarbeitung von Sensordaten am extremen Rand entwickelt wurde.

Er wurde von Grund auf so konzipiert, dass er alles Notwendige für die Sensordatenverarbeitung in einem einzigen Chip integriert: analoge und digitale spiking neuronale Kerne, CNN- und FFT-Beschleuniger sowie ein vollständiges 32-Bit-RISC-V-Subsystem für Systemmanagement und Sensorsteuerung. Diese heterogene Architektur ermöglicht es Pulsar, rohe Sensordaten direkt in handhabbare, aktionsrelevante Informationen umzuwandeln, während er bis zu 500-mal weniger Energie verbraucht und 100-mal schneller ist als konventionelle KI-Prozessoren.

Darüber hinaus löst Pulsar auch die langjährige Software-Barriere. Sein Talamo-SDK mit nativer PyTorch-Integration macht die neuromorphe Entwicklung für Mainstream-Entwickler zugänglich und ermöglicht kompakte Modelle unter 5 KB, die in sub-milliwatt-Leistungsverbrauchsbudgets laufen. All dies in einem 2,8 x 2,6 mm großen Paket, Pulsar eliminiert die Notwendigkeit für sperrige Multi-Chip-Setups und macht es zum ersten neuromorphen Prozessor, der für den wahren Massenmarkt bereit ist.

Zugänglichkeit ist ein großes Thema für Innatera. Wie senkt das Talamo-SDK, insbesondere mit seiner PyTorch-Integration, die Hürde für Entwickler, die neuromorphes Rechnen noch nicht kennen? 

Seit Jahrzehnten war die Hauptbarriere für die Adoption von Neuromorphik nicht die Hardware, sondern die mangelnde Verfügbarkeit von entwicklerfreundlichen Tools. Entwickler waren mit steilen Lernkurven und ungewohnten Workflows konfrontiert, was die Innovation verlangsamte. Talamo löst dieses Problem, indem es ein PyTorch-basiertes SDK bietet, das es Ingenieuren ermöglicht, spiking neuronale Netze über vertraute Workflows zu entwerfen, zu trainieren und zu bereitstellen. Kompakte Modelle können leicht in bestehende Sensor-Architekturen integriert werden, was immer-ein-Intelligenz in sogar den kleinsten, leistungsbeschränkten Geräten ermöglicht. Durch die Entfernung von Komplexität und die Beschleunigung der Entwicklung macht Talamo neuromorphes Rechnen für Mainstream-Entwickler zugänglich und beschleunigt den Weg von der Prototypen- zur Produktentwicklung.

Aus technischer Sicht, wie balancieren Sie die analogen und digitalen spiking Beschleuniger in Pulsar, um diverse Workloads effizient zu bewältigen? 

Pulsars Architektur kombiniert analoge und digitale spiking Kerne, um den Energieverbrauch und die Flexibilität zu optimieren. Die analogen Kerne bieten ultra-effiziente Verarbeitung für kontinuierliche, immer-ein-Sensoren-Workloads, bei denen jeder Mikrowatt zählt. Die digitalen Kerne liefern Programmierbarkeit und Präzision für komplexere oder variablere Aufgaben, immer noch innerhalb eines effizienten Leistungsverbrauchsbudgets. Workloads werden je nach Anwendungsanforderung auf die beiden Kerne verteilt, um sicherzustellen, dass Energie nur verbraucht wird, wenn sich die Daten ändern. Dieser ereignisgesteuerte Ansatz ermöglicht es Pulsar, sub-milliwatt-Leistung zu halten, während er die Flexibilität aufrechterhält, um diverse reale Anwendungen zu unterstützen.

Können Sie uns durch einen typischen Entwickler-Workflow – von der Modellierung bis zur Bereitstellung auf Pulsar – führen und wo die größten Effizienzgewinne realisiert werden?

Der Workflow beginnt in PyTorch, wo Entwickler ihre Modelle wie für konventionelle KI entwerfen und trainieren. Mit Innateras Talamo-SDK wird das Modell in ein spiking neuronales Netz umgewandelt, das für Pulsars Hardware optimiert ist. Entwickler können das Modell dann simulieren, verfeinern und direkt auf den Chip bereitstellen, oft mit Fußabdrücken von nur 5 KB. Der Modellentwicklungs-Schritt ist in einen größeren Anwendungs-Pipeline-Entwicklungs-Fluss integriert, der es dem Entwickler ermöglicht, Code zu erstellen, der auf RISC-V sowie den CNN-Beschleuniger in einer einheitlichen Weise abzielt. Dies führt zu einem verbesserten Entwickler-Erlebnis und kürzeren Entwicklungszeiten.

Die größten Effizienzgewinne treten ein, sobald das Modell auf Pulsars ereignisgesteuerten spiking Kernen läuft. Im Gegensatz zu herkömmlichen MCUs, die kontinuierlich Leistung verbrauchen, verarbeitet Pulsar nur, wenn sich die Eingabedaten ändern. Dies ermöglicht immer-ein-Aufgaben wie Gestenerkennung oder Radar-Präsenzerkennung, die kontinuierlich bei sub-milliwatt-Niveaus laufen, was zu einer Verbesserung der Energieeffizienz um Größenordnungen führt, während die Genauigkeit und Latenz erhalten bleiben.

Welche Branchen zeigen die schnellste Adoption Ihrer Technologie, und können Sie Beispiele für frühe Kunden oder Partner nennen, die Pulsar bereits in Produkten einsetzen?

Die Adoption von Pulsar erfolgt am schnellsten in Bereichen, in denen immer-ein-Sensoren und ultra-niedriger Leistungsverbrauch am wichtigsten sind, einschließlich Smart Homes, Wearables und industrieller Sicherheit. Ein gutes Beispiel dafür ist Aaroh Labs, das mit Innatera nächste Generation von Rauchmeldern entwickelt hat, die kürzlich auf der SEMICON India 2025 vorgestellt wurden. Diese Geräte tun mehr als nur Rauch erkennen, indem sie Raucherkennung mit Menschenerkennung kombinieren, was zu einer umfassenderen situativen Wahrnehmung und intelligenten Sicherheitssystemen für Wohn-, Gewerbe- und Industrieumgebungen führt.

Dieselbe neuromorphe Herangehensweise kann sich auf die Überwachung von Vermögenswerten und Umweltüberwachung erstrecken, mit weitreichenden Auswirkungen auf vernetzte Gesundheitsversorgung und Smart Cities. Auf der SEMICON India stellte CYRAN AI Solutions auch vor, wie Innateras Technologie in kompakte Sensorsysteme wie Elektromyographie-Wearables für Gestenerkennung integriert wird, was das Potenzial von neuromorpher KI für die ermöglichte intuitive Mensch-Maschine-Interaktion unterstreicht.

Diese frühen Bereitstellungen sind nur der Anfang und signalisieren, dass neuromorphes Rechnen von der Theorie zur Praxis übergeht und sich schnell in realen Anwendungen etabliert.

Bei Demonstrationen haben wir Beispiele wie ultra-niedriger Leistungsverbrauch für Gestenerkennung und Radar-basierte Präsenzerkennung gesehen, die unter einem Milliwatt liegen. Wie validieren Sie die Genauigkeit und Zuverlässigkeit in solch eingeschränkten Umgebungen?

Die Validierung hängt oft von der Anwendung ab, und neben der Genauigkeit liefern falsch-positive und falsch-negative Erkennungsraten eine entscheidende Indikation für die Zuverlässigkeit einer Lösung. Oft haben Kunden spezifische KPIs und Testbedingungen für die Validierung. Pulsars Flexibilität ist entscheidend, um umfassende Lösungen zu ermöglichen, die es Kunden ermöglichen, alle Anforderungen für ihren Anwendungsfall zu erfüllen. Vergleiche werden durchgeführt, indem konventionelle MCUs und Beschleuniger benchmarked werden, die typischerweise 40-100-mal mehr Leistung für dieselben Aufgaben verbrauchen.

Bei realen Demonstrationen, wie Radar-basierte Präsenzerkennung und Audio-Szenen-Klassifizierung, liefert Pulsar konsistent Genauigkeiten über 90%, während es innerhalb von sub-milliwatt-Budgets bleibt. Dies ermöglicht kontinuierlichen Betrieb ohne Kompromisse bei der Zuverlässigkeit, was traditionelle immer-ein-Systeme traditionell durch das Aufwachen aus dem Schlaf, die Drosselung der Leistung oder die Auslagerung in die Cloud kompensieren mussten.

Sie haben Pulsar als komplementär zu herkömmlichen NPUs und CPUs positioniert. Wie sehen Sie die Einbindung von neuromorphem Rechnen in die breitere Silizium-Stack von zukünftigen intelligenten Geräten?

Pulsar ist als erster Chip konzipiert, mit dem Sensoren kommunizieren. Er verarbeitet Daten lokal bei ultra-niedriger Leistung und wandelt rohe Sensor-Signale direkt in handhabbare, aktionsrelevante Informationen um. NPUs und CPUs können dann nur noch eingesetzt werden, wenn eine stärkere Verarbeitung erforderlich ist.

Dies macht neuromorphe Prozessoren zu einer komplementären Schicht im Silizium-Stack; einer immer-ein-, immer-aufmerksamen Grundlage, die die Lebensdauer von Geräten verlängert, den Energieverbrauch reduziert und die Reaktionsfähigkeit verbessert. Pulsar übernimmt die Aufgabe der Sensordatenverarbeitung von den traditionell leistungsstärkeren Komponenten im System, ermöglicht es ihnen, in vielen Geräten ausgeschaltet zu werden, und eliminiert sie in einigen Fällen sogar vollständig. Dies führt zu intelligenteren und langlebigeren Geräten.

Welche Rolle spielen Partnerschaften mit Partnern wie Aaroh Labs und CYRAN AI Solutions bei der Beschleunigung der realen Adoption von neuromorpher KI?

Partnerschaften dienen als Brücke zwischen bahnbrechender Technologie und breiter Adoption. Durch die Zusammenarbeit mit Innovatoren wie Aaroh Labs und CYRAN AI Solutions stellt Innatera sicher, dass Pulsar in realen Umgebungen validiert und für spezifische vertikale Märkte zugeschnitten wird. Aaroh Labs bringt neuromorphe Intelligenz in kritische Sicherheitsinfrastrukturen ein, während CYRAN AI Solutions deren Potenzial in intuitiver Mensch-Maschine-Interaktion demonstriert. Diese Partnerschaften beweisen die Vielseitigkeit der Technologie, verringern die Hürden für andere Adoptierende und bauen Vertrauen in die Bereitstellung von neuromorphen Prozessoren im großen Maßstab auf.

Unsere Partnerschaften mit Sensoren-Anbietern wie Socionext ermöglichen es uns, Intelligenz eng in das Sensormodul zu packen, was die Aufnahme und Bereitstellung von intelligenten Sensoren in Geräte vereinfacht. Darüber hinaus stärken solche Partnerschaften unser bereits starkes und wachsendes Ökosystem und beschleunigen die Verbreitung von neuromorphem Rechnen in der Branche.

Blicken Sie in die Zukunft, sehen Sie Pulsar und seine Nachfolger in Richtung On-Device-Lernen und -Anpassung gehen, anstatt nur Inferenz am Rand?

Absolut. Mit Pulsar haben wir nur gerade begonnen, die Oberfläche dessen zu kratzen, was Neuromorphes kann. Neuromorphe Prozessoren sind von Natur aus gut geeignet für Online-Lernen und -Anpassung, und Pulsar legt den Grundstein für Geräte, die weit mehr können als nur erkennen und reagieren.

Neuromorphes Rechnen wird eine neue Generation von adaptiven und autonomen Randgeräten ermöglichen; Systeme, die lernen, sich selbst kalibrieren und optimieren, während sie auf winzigen Batterien laufen. Diese Evolution wird eine breite Palette von Anwendungen freischalten, von Wearables, die sich an das Verhalten anpassen, bis hin zu industriellen Systemen, die Ausfälle vorhersagen und mit minimalem Energieverbrauch verhindern. Das langfristige Ziel ist es, Geräte zu schaffen, die ebenso intelligent sind wie kontinuierlich adaptiv und widerstandsfähig, und somit das definieren, was wirklich am Rand möglich ist.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Innatera besuchen.