Sumeet Kumar, Co-Founder und CEO von Innatera – Interviewreihe

Sumeet Kumar ist der Co-Founder und CEO von Innatera Nanosystems, wo er die Entwicklung von ultra-effizienten neuromorphen Prozessoren für die Sensor-Datenanalyse in IoT-, Wearable- und Embedded-Geräten leitet. Zuvor leitete er EU-geförderte Forschungsprojekte an der TU Delft, einschließlich des 50-Millionen-Euro-Projekts PRYSTINE zu autonomen Fahrzeugtechnologien, und hatte Rollen bei Intel und in der akademischen Forschung zu fortgeschrittenen Prozessorarchitekturen.

Innatera ist ein Halbleiterunternehmen, das sich darauf konzentriert, ultra-niedrige Intelligenz an die “Sensor-Kante” zu bringen. Ihre Kerninnovation liegt in spiking neuronalen Prozessoren, die auf einer analog-digitalen Architektur basieren und das ereignisbasierte Verarbeiten des Gehirns nachahmen. Diese Chips können Muster in Sensordaten bei Sub-Milliwatt-Leistungspegeln und ultra-niedriger Latenz erkennen, was sie ideal für immer-ein-, leistungsbeschränkte Anwendungen macht.

Sie haben Innatera 2018 mit einer 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: Brain-ähnliche Intelligenz direkt an den Sensor zu bringen. 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 so weit gehen, 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 zu neuromorpher Rechnung und energieeffizienter Verarbeitung durchgeführt hatten, schien eine Antwort auf diese Herausforderung zu haben.

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

Pulsar ist der erste Schritt auf dieser Reise – es ist der erste neuromorphe Mikrocontroller, der für den Massenmarkt konzipiert ist. Es macht brain-inspirierte Intelligenz in Wearables, Smart-Home-Geräten und industriellen Systemen praktisch, während es die Grundlage für adaptive, autonome Technologien der Zukunft legt.

Pulsar basiert auf einem grundlegend neuen Ansatz für die Verarbeitung am Sensor, 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 Menschen aus 15 Ländern gewachsen, das von einer people-first-Kultur geprägt ist, die auf Widerstandsfähigkeit, Kreativität und Ehrgeiz basiert.

Pulsar wird als erster wirklich massenmarkttauglicher neuromorpher 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 wurden, 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 äußersten Rand entwickelt wurde.

Es wurde von Grund auf konzipiert, um alles Notwendige für die Sensordatenverarbeitung in einem einzigen Chip zu integrieren: 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 dem Gerät in handhabbare Erkenntnisse umzuwandeln, während es bis zu 500-mal weniger Energie verbraucht und 100-mal schneller als konventionelle KI-Prozessoren läuft.

Darüber hinaus löst Pulsar auch die langjährige Software-Barriere. Seine Talamo-SDK mit nativer PyTorch-Integration macht die neuromorphe Entwicklung für Hauptstromingenieure zugänglich und ermöglicht kompakte Modelle unter 5 KB, die in Sub-Milliwatt-Leistungsbudgets laufen. Durch die Einpassung all dessen in ein 2,8 x 2,6 mm großes Paket eliminiert Pulsar die Notwendigkeit für sperrige Multi-Chip-Setups und macht es zum ersten neuromorphen Prozessor, der für eine wahre Massenmarkt-Verbreitung bereit ist.

Zugänglichkeit ist ein großes Thema für Innatera. Wie senkt die Talamo-SDK, insbesondere mit ihrer PyTorch-Integration, die Hürde für Entwickler, die neuromorphen Rechnen neu sind? 

Für Jahrzehnte war der Hauptbarriere für die Adoption von Neuromorphen nicht die Hardware, sondern die mangelnde Verfügbarkeit von entwicklerfreundlichen Tools. Entwickler wurden mit steilen Lernkurven und ungewohnten Workflows konfrontiert, was die Innovation verlangsamte. Talamo löst dies direkt, indem es eine PyTorch-basierte SDK bietet, die es Ingenieuren ermöglicht, spiking neuronale Netze durch vertraute Workflows zu entwerfen, zu trainieren und zu bereitstellen. Kompakte Modelle können leicht in bestehende Sensor-Architekturen integriert werden, was eine 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 Hauptstromentwickler zugänglich und beschleunigt den Weg vom Prototyp zum Produkt.

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-Sensor-Workloads, bei denen jeder Mikrowatt zählt. Die digitalen Kerne liefern Programmierbarkeit und Präzision für komplexere oder variablere Aufgaben, immer noch innerhalb eines effizienten Leistungsrahmens. Workloads werden je nach Anwendungsanforderung auf die beiden verteilt, um sicherzustellen, dass Energie nur verbraucht wird, wenn sich Daten ändern. Dieser ereignisgesteuerte Ansatz ermöglicht es Pulsar, eine Sub-Milliwatt-Leistung aufrechtzuerhalten, während er gleichzeitig 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 dann das Modell simulieren, verfeinern und direkt auf den Chip bereitstellen, oft mit Fußabdrücken von nur 5 KB. Der Modellentwicklungs-Schritt ist in einen größeren Anwendungs-Pipeline-Entwicklungsfluss integriert, der es dem Entwickler ermöglicht, Code zu erstellen, der auf den 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 auf, sobald das Modell auf Pulsars ereignisgesteuerten spiking-Kernen läuft. Im Gegensatz zu herkömmlichen MCUs, die kontinuierlich Leistung verbrauchen, berechnet Pulsar nur, wenn sich Eingabedaten ändern. Dies ermöglicht immer-ein-Aufgaben wie Gesten-Erkennung oder Radar-Präsenz-Erkennung, kontinuierlich bei Sub-Milliwatt-Niveaus zu laufen, was zu Verbesserungen in der Größenordnung der Energieeffizienz führt, während gleichzeitig hohe Genauigkeit und extrem kurze Latenz aufrechterhalten werden.

In welchen Branchen ist die Übernahme Ihrer Technologie am schnellsten? Können Sie Beispiele für frühe Kunden oder Partner nennen, die Pulsar bereits in Produkten einsetzen?

Die Übernahme von Pulsar erfolgt am schnellsten in Bereichen, in denen immer-ein-Sensoren und ultra-niedrige Leistung 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 auf der SEMICON India 2025 vorgestellt wurden. Diese Geräte tun mehr als nur Rauch erkennen, indem sie Rauch-Erkennung mit menschlicher Präsenz-Überwachung kombinieren, was zu einer umfassenderen situativen Wahrnehmung und ermöglicht intelligentere Sicherheitssysteme für Wohn-, Gewerbe- und Industrieumgebungen.

Dasselbe neuromorphe Konzept kann sich auf Asset-Tracking und Umweltüberwachung ausdehnen, mit weitreichenden Auswirkungen auf vernetzte Gesundheitsversorgung und Smart Cities. Auf der SEMICON India stellte CYRAN AI Solutions auch dar, wie Innateras Technologie in kompakte Sensorsysteme wie electromyographische (EMG)-Wearables für Gesten-Erkennung integriert wird, was das Potenzial von neuromorpher KI für 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 verwurzelt.

In Demonstrationen haben wir Beispiele wie ultra-niedrige Gesten-Erkennung und Radar-basierte Präsenz-Erkennung gesehen, die unter einer Milliwatt verbrauchen. Wie validieren Sie 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 kritische Indikation für die Zuverlässigkeit einer Lösung. Oft haben Kunden spezifische KPIs und Testbedingungen für die Validierung. Pulsars Flexibilität ist der Schlüssel, um umfassende Lösungen zu ermöglichen, die es Kunden ermöglichen, alle Anforderungen für ihren Use-Case zu erfüllen. Vergleiche werden durchgeführt, indem mit herkömmlichen MCUs und Beschleunigern verglichen wird, die typischerweise 40-100-mal mehr Leistung für dieselben Aufgaben verbrauchen.

In realen Demonstrationen, wie Radar-basierte Präsenz-Erkennung und Audio-Szene-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 Aufwachen aus dem Schlaf, Leistungs-Drosselung oder 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. Es verarbeitet Daten lokal bei ultra-niedriger Leistung und wandelt rohe Sensor-Signale direkt an der Quelle in handhabbare, aussagekräftige Informationen um. NPUs und CPUs können dann nur eingeschaltet werden, wenn eine stärkere Verarbeitung erforderlich ist.

Dies macht neuromorphe Prozessoren zu einer komplementären Schicht im Silizium-Stack; einer immer-wachen, immer-ein-Grundlage, die Gerätelebensdauer verlängert, Energieverbrauch reduziert und Reaktionsfähigkeit verbessert. Pulsar übernimmt die Aufgabe der Sensordatenverarbeitung von den herkömmlich 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 Zusammenarbeiten mit Partnern wie Aaroh Labs und CYRAN AI Solutions bei der Beschleunigung der realen Übernahme von neuromorpher KI?

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

Unsere Partnerschaften mit Sensor-Herstellern wie Socionext ermöglichen es uns, Intelligenz eng in das Sensor-Modul zu packen, was die Übernahme und Bereitstellung von intelligentem Sensing 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 nach vorne, 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 die Oberfläche dessen, 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 verhindern, während sie minimalen Energieverbrauch aufweisen. Das langfristige Ziel ist es, Geräte zu schaffen, die ebenso intelligent sind wie kontinuierlich anpassungsfähig und widerstandsfähig, was neu definieren wird, was am Rand wirklich möglich ist.

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