Energieeffizientes KI: Ein neuer Anfang mit Neuromorphen Computern

Das rasch wachsende Reich der künstlichen Intelligenz (KI) ist für seine Leistung bekannt, kommt aber mit einem erheblichen Energieverbrauch. Ein neuer Ansatz, vorgeschlagen von zwei führenden Wissenschaftlern am Max-Planck-Institut für die Wissenschaft des Lichts in Erlangen, Deutschland, zielt darauf ab, KI effizienter zu trainieren und könnte damit die Art und Weise revolutionieren, wie KI Daten verarbeitet.

Aktuelle KI-Modelle verbrauchen während des Trainings enorme Mengen an Energie. Während genaue Zahlen schwer zu finden sind, schätzen Schätzungen von Statista, dass das Training von GPT-3 etwa 1000 Megawattstunden erfordert – was dem jährlichen Verbrauch von 200 großen deutschen Haushalten entspricht. Während dieses energieintensive Training GPT-3 fein abgestimmt hat, um Wortfolgen vorherzusagen, gibt es einen Konsens, dass es die inhärenten Bedeutungen solcher Phrasen nicht erfasst hat.

Neuromorphe Rechnung: Verschmelzung von Gehirn und Maschine

Während herkömmliche KI-Systeme auf digitalen künstlichen neuronalen Netzen basieren, könnte die Zukunft in der neuromorphen Rechnung liegen. Florian Marquardt, ein Direktor am Max-Planck-Institut und Professor an der Universität Erlangen, erläuterte den Nachteil herkömmlicher KI-Systeme.

“Der Datentransfer zwischen Prozessor und Speicher allein verbraucht bereits eine erhebliche Menge an Energie”, betonte Marquardt und hob die Ineffizienzen bei der Ausbildung großer neuronaler Netze hervor.

Neuromorphe Rechnung schöpft ihre Inspiration aus dem menschlichen Gehirn und verarbeitet Daten parallel anstelle von sequenziell. Im Wesentlichen fungieren Synapsen im Gehirn als sowohl Prozessor als auch Speicher. Systeme, die diese Eigenschaften nachahmen, wie photonische Schaltkreise, die Licht für Berechnungen nutzen, werden derzeit erforscht.

Training von KI mit selbstlernenden physikalischen Maschinen

In Zusammenarbeit mit dem Doktoranden Víctor López-Pastor stellte Marquardt eine innovative Trainingsmethode für neuromorphe Computer vor. Ihre “selbstlernende physikalische Maschine” optimiert grundlegend ihre Parameter durch einen inhärenten physikalischen Prozess, wodurch externe Rückkopplung überflüssig wird. “Das Entfallen dieser Rückkopplung macht das Training viel effizienter”, betonte Marquardt und deutete an, dass diese Methode sowohl Energie als auch Rechenzeit sparen würde.

Allerdings hat diese bahnbrechende Technik bestimmte Anforderungen. Der Prozess muss reversibel sein, um minimalen Energieverlust zu gewährleisten, und ausreichend komplex oder nicht-linear sein. “Nur nicht-lineare Prozesse können die komplexen Transformationen zwischen Eingabedaten und Ergebnissen ausführen”, erklärte Marquardt und zog einen Unterschied zwischen linearen und nicht-linearen Aktionen.

Praktische Umsetzung

Die theoretischen Grundlagen des Duos stimmen mit praktischen Anwendungen überein. In Zusammenarbeit mit einem experimentellen Team arbeiten sie an einem optischen neuromorphen Computer, der Informationen mithilfe von überlagerten Lichtwellen verarbeitet. Ihr Ziel ist klar: die Verwirklichung des Konzepts der selbstlernenden physikalischen Maschine.

“Wir hoffen, in drei Jahren die erste selbstlernende physikalische Maschine vorzustellen”, prognostizierte Marquardt und deutete an, dass diese zukünftigen Netze mehr Daten verarbeiten und mit größeren Datensätzen als gegenwärtige Systeme trainiert werden würden. Angesichts der steigenden Nachfrage nach KI und der inhärenten Ineffizienzen gegenwärtiger Systeme scheint der Übergang zu effizient trainierten neuromorphen Computern sowohl unvermeidlich als auch vielversprechend.

In Marquardts Worten: “Wir sind zuversichtlich, dass selbstlernende physikalische Maschinen eine solide Chance in der laufenden Evolution der künstlichen Intelligenz haben.” Die wissenschaftliche Gemeinschaft und KI-Enthusiasten warten mit angehaltenem Atem darauf, was die Zukunft bringt.