Robert Klatt
Künstliche Synapsen, die beim Analogen Deep Learning, einem neuen Bereich der Künstlichen Intelligenz (KI), verwendet werden, übertreffen Synapsen des menschlichen Gehirnes deutlich.
Cambridge (U.S.A.). Wissenschaftler des Massachusetts Institute of Technology (MIT) haben mit dem Analogen Deep Learning (ADL) innerhalb der Künstlichen Intelligenz (KI) einen neuen Forschungsbereich etabliert. Das interdisziplinäre Team entwickelt dazu eine Art künstlicher analoger Synapsen, die in Zukunft eine signifikant höhere Rechenleistung bei einem geringeren Energieverbrauch ermöglichen sollen.
Den Forscher des MIT ist es bereits gelungen, Synapsen zu erzeugen, die die Leistung der Synapsen des menschlichen Gehirnes um eine Million übertreffen. Laut einer Pressemitteilung der Universität wurde nun der nächste Durchbruch erreicht. Die aktuelle Version der künstlichen Synapsen, die aus dem anorganisches Material Phosphorsilikatglas (PSG) hergestellt wurden, übertreffen demnach die Leistung der vorherigen Version um den Faktor eine Million.
„Die Widerstände für analoges Deep Learning sind 1.000-mal kleiner als jene in biologischen Zellen. Daher kann die Raum-Zeit-Energie-Leistung der künstlichen Synapsen im Festkörperzustand die ihrer biologischen Gegenstücke bei weitem übertreffen“, erklären die Wissenschaftler.
Die künstlichen Synapsen bestehen aus programmierbaren Widerständen, die mit den Transistoren aus Prozessoren vergleichbar sind. Eine Vielzahl der künstlichen Synapsen wird dann zu einem speziell für das ADL optimierten analogen Prozessor zusammengefügt.
„Durch die Wiederholung von Anordnungen programmierbarer Widerstände in komplexen Schichten können die Forscher ein Netzwerk aus analogen künstlichen ‚Neuronen‘ und ‚Synapsen‘ schaffen, das Berechnungen wie ein digitales neuronales Netzwerk ausführt. Dieses Netzwerk kann dann trainiert werden, um komplexe KI-Aufgaben wie Bilderkennung und natürliche Sprachverarbeitung zu bewältigen“, erklärt das MIT.
Das Lernen im menschlichen Gehirn erfolgt primär durch die Verstärkung und Schwächung von Synapsen, die die einzelnen Neuronen miteinander verbinden. In einem tiefen neuronalen Netzwerk wird dieser Ansatz technisch nachgebildet. Die Schwächung und Stärkung der Verbindungen erfolgten in diesem Fall durch das Training der KI.
Laut ihrer Publikation im Fachmagazin Science funktioniert der analoge Prozessor dadurch, dass die Wiederstände durch eine Erhöhung und Verringerung der elektrischen Leitfähigkeit maschinelles Lernen erlauben. Es ist dabei entscheidend, dass das verwendete anorganische Material seinen Widerstand sehr energieeffizient ändern kann und dabei auch bei hohen Spannungen bruchsicher bleibt.
Aktuell arbeiten die Forscher zudem daran, dass analogen Synapsen mit den herkömmlichen Silizium-Herstellungstechniken zu produzieren. Dies würde die Kosten der Analog-Prozessoren signifikant reduzieren und eine industrielle Fertigung ermöglichen.
Science, doi: 10.1126/science.abp8064
