Physik könnte Computing und KI für immer verändern

Im Gegensatz zu Jahrzehnten der computertechnischen Tradition hat ein Team von Forschern bei Unconventional AI eine Methode entwickelt, um Bilder zu generieren, die nicht auf den Siliziumchips und elektrischen Strömen basieren, die heute die künstlichen Intelligenzsysteme antreiben, sondern auf den grundlegenden Prinzipien der Physik selbst.

Das System, genannt Un-0, repräsentiert eine aufkommende Philosophie in der Entwicklung künstlicher Intelligenz: Anstatt größere und komplexere Computernetzwerke zu bauen, erforschen Wissenschaftler, ob die mathematischen Muster, die in der Natur gefunden werden, die gleiche Rechenarbeit leisten können, während sie etwa 1000-mal weniger Energie verbrauchen.

Energie und Effizienz

Die künstlichen Intelligenzsysteme, die die Technologielandschaft dominiert haben, wie neuronale Netze, Sprachmodelle und Empfehlungsalgorithmen, erfordern enorme Mengen an Energie, um zu funktionieren.

Rechenzentren, in denen diese Systeme untergebracht sind, verbrauchen so viel Energie wie kleine Städte, was Bedenken hinsichtlich der Umweltauswirkungen und der langfristigen Nachhaltigkeit aufwirft.

Forscher schätzen, dass die Erreichung des nächsten bedeutenden Durchbruchs in der Effizienz der künstlichen Intelligenz eine grundlegend andere Herangehensweise an die Informationsverarbeitung durch Maschinen erfordern wird.

Diese Erkenntnis hat Wissenschaftler dazu veranlasst, in der Natur nach Inspiration zu suchen und biologische und physikalische Systeme zu untersuchen, die über Jahrmillionen hinweg komplexe Probleme mit bemerkenswerter Effizienz gelöst haben.

Verständnis von gekoppelten Oszillatoren

Im Herzen von Un-0 liegt ein einfaches Konzept, das aus der Physik stammt: gekoppelte Oszillatoren.

Um dies zu verstehen, kann man sich ein Paar Metronome vorstellen, die mechanischen Geräte, die Musiker verwenden, um den Takt zu halten. Wenn zwei Metronome auf demselben Tisch platziert und auf unterschiedliche Tempi eingestellt werden, geschieht etwas Erstaunliches. Durch Vibrationen in der Oberfläche unter ihnen beeinflussen die Metronome einander allmählich, bis sie schließlich in Synchronisation fallen und im Gleichklang ticken.

Diese Synchronisation folgt präzisen mathematischen Prinzipien, die in der Physik seit über einem Jahrhundert studiert werden. Die Wechselwirkung zwischen Oszillatoren erzeugt Muster der Organisation, die ohne äußere Richtung oder Kontrolle entstehen, sie organisieren sich selbst.

Nun kann man sich dieses Konzept dramatisch erweitern. Anstatt zwei Metronome zu haben, kann man sich Tausende von oszillierenden Einheiten vorstellen, die jeweils in der Lage sind, jede andere Einheit in ihrer Umgebung zu beeinflussen.

Jede Oszillator-Einheit besitzt mehrere Eigenschaften: eine natürliche Frequenz, bei der sie rotieren möchte, einen Phasenwinkel, der ihre aktuelle Position in ihrem Oszillationszyklus beschreibt, und Verbindungen zu jeder anderen Oszillator-Einheit, die bestimmen, wie stark jedes Paar einander beeinflusst.

Diese Verbindungen, genannt Kopplungsstärken, sind die Aspekte, die Un-0 während des Trainings lernt.

Dieses System spiegelt mathematische Modelle wider, die als Kuramoto-Oszillatoren bekannt sind, benannt nach dem Physiker Yoshiki Kuramoto, der solche Systeme vor Jahrzehnten studierte. Bis vor kurzem blieben diese Modelle weitgehend theoretisch.

Un-0 zeigt, dass sie auf praktische Probleme der künstlichen Intelligenz skaliert werden können, auf einem Niveau von Komplexität, das zuvor als Domäne der konventionellen Deep-Learning-Methoden galt.

Leistung und Vergleich

Tests haben gezeigt, dass Un-0 eine Bildqualität erreicht, die mit den führenden Methoden der künstlichen Intelligenz-Bildgenerierung von vor einigen Jahren vergleichbar ist.

Bei einem Standard-Benchmark namens ImageNet 64×64 erreichte das System einen Qualitätscore, der der Leistung der prominenten konventionellen Generatoren entsprach, als diese Systeme erstmals veröffentlicht wurden.

Dies stellt weder eine Niederlage noch einen Durchbruch dar. Es zeigt vielmehr den Beweis des Prinzips: Systeme, die auf physikalischen Dynamiken basieren, können Bilder in einer Qualität generieren, die zuvor als exklusiv für Deep-Learning-Methoden galt, ein Detail, das auf ein bedeutendes Potenzial für zukünftige Entwicklungen hinweist.

Die Forscher räumen ein, dass die aktuellen State-of-the-Art-Systeme, die über Jahre hinweg verfeinert wurden, Un-0 noch übertreffen. Sie betonen jedoch, dass konventionelle Bildgeneratoren auch mit bescheidenen Ergebnissen begannen, bevor sie durch Jahrzehnte der Optimierung in die heutigen sophisticateden Werkzeuge verwandelt wurden.

Warum physikbasiertes Computing wichtig ist

Die Bedeutung von Un-0 geht weit über die Bildgenerierung hinaus. Systeme, die auf physikalischen Dynamiken basieren und künstliche Intelligenzaufgaben ausführen, während sie etwa 1000-mal weniger Energie verbrauchen als konventionelle Ansätze, die Auswirkungen wären transformierend.

Solche Effizienzgewinne könnten es ermöglichen, künstliche Intelligenzanwendungen auf mobilen Geräten, eingebetteten Systemen und entfernten Standorten ohne Zugang zu großen Rechenzentren auszuführen.

Darüber hinaus könnten diese Systeme möglicherweise direkt in physikalische Hardware implementiert werden, Siliziumchips, die natürliche physikalische Prozesse simulieren, anstatt programmierte Anweisungen auszuführen. Solche “unkonventionellen Substrate”, wie Forscher sie nennen, würden eine genuin andere Art von Computer darstellen.

Die breitere Landschaft

Un-0 ist nicht der einzige Forschungsansatz, der alternative Ansätze zu konventionellen neuronalen Netzen erforscht.

Über die akademische und industrielle Forschung hinweg untersuchen Wissenschaftler Systeme, die von thermodynamischen Prinzipien, analogen Schaltungen, Quantenmechanik und anderen Aspekten der Physik inspiriert sind.

Diese Ansätze teilen eine gemeinsame Motivation: Konventionelle Ansätze haben fast ihre praktischen Grenzen in Bezug auf Energieeffizienz erreicht. Durchbruchsforschung erfordert möglicherweise eine Neukonzeption der Informationsverarbeitung selbst.

Die Forschungsgemeinschaft ist in einer Art “großer Herausforderung” engagiert: Können wir künstliche Intelligenzsysteme so neu entwerfen, dass sie mit den Prinzipien übereinstimmen, die biologische und physikalische Systeme über Jahrmilliarden hinweg bestimmt haben? Wenn dies gelingt, würde es eine grundlegende Neukonzeption dessen bedeuten, was Computer sind und wie sie funktionieren.

Aktuelle Einschränkungen und zukünftige Richtungen

Das Un-0-System bleibt experimentell. Es operiert bei relativ bescheidenen Bildauflösungen und hat noch nicht die Leistungsniveaus der fortschrittlichsten aktuellen Systeme erreicht.

Trotz all des Fortschritts, der erzielt wurde, erfordert der Trainingsprozess noch konventionelle Rechenleistung und erhebliche Zeit, um abzuschließen.

Die Forscher haben ihre Arbeit transparent veröffentlicht, einschließlich Trainingscode und detaillierter Analyse ihrer Ergebnisse, was ihre Überzeugung widerspiegelt, dass dieser Ansatz nicht eine proprietäre Lösung darstellt, sondern eine neue Richtung, die viele Forscher erforschen und verfeinern können.

Wenn künstliche Intelligenzsysteme immer mehr zum Mittelpunkt der modernen Gesellschaft werden, wandert die Suche nach effizienteren Rechenansätzen von akademischer Neugier zu praktischer Notwendigkeit. Un-0 steht als Beweis dafür, dass mindestens eine vielversprechende Richtung existiert und dass die Erforschung physikbasierter künstlicher Intelligenz erst begonnen hat.