Neuromorphe Computer: eine Lösung für energiefressende künstliche Intelligenz?

Das Handy mit dem Gesicht entsperren, die Lieblingsmusik finden, mit einem digitalen Assistenten auf dem Handy sprechen oder mit Lenkunterstützung Auto fahren – das alles ist möglich dank künstlicher Intelligenz, die der Informationsverarbeitung in unserem Gehirn ein wenig ähnelt und die über in etwa zwanzig Jahren in unzähligen Computeranwendungen wichtig werden.

Der russische Spitzenschachspieler Garri Kasparov im Jahr 2005. Der Schachmeister wurde 1997 vom Computer Deep Blue besiegt. Es war das erste Mal, dass ein Computer stärker war als ein menschlicher Champion.

Ein Nachteil ist, dass künstliche Intelligenz Energie verbraucht. Wissenschaftler haben berechnet, dass vollständig selbstfahrende Elektroautos wahrscheinlich sind verbringen zehn bis dreißig Prozent ihrer Energie für den Computer, der das Auto steuert. Oder nehmen Sie das Computerprogramm AlphaGo, das 2016 erstmals einen menschlichen Go-Master besiegte. Es lief auf rund zweitausend Prozessoren die zusammen angeblich eine Million Watt Strom verbraucht haben – ziemlich viel im Vergleich zu den rund zwanzig Watt, die sein menschlicher Gegner brauchte.

Viele Anwendungen der Künstlichen Intelligenz finden in großen Rechenzentren statt, in denen viel Energie zur Verfügung steht (ein bis zwei Prozent des gesamten weltweiten Stromverbrauchs gehen derzeit an Rechenzentren). Aber das macht uns auf schnelle und zuverlässige Verbindungen angewiesen. Wäre es nicht viel klüger, solche Berechnungen dort durchzuführen, wo sie benötigt werden? So müsste beispielsweise eine Kamera, die das Gesehene selbst interpretiert, nicht mehr alle ihre Daten mit einem weiter entfernten Computer teilen.

Die Rechenleistung häuft sich mittlerweile vor allem bei großen Technologieunternehmen an. Wissenschaftler arbeiten an Teilen von Computern, die diesen Trend umkehren können: Computer, die extrem effizient sind und dennoch die Leistung für viele der oben genannten Anwendungen haben. Inspiration dafür schöpfen Forscher aus unserem eigenen Gehirn, das sich grundlegend von der klassischen Computerarchitektur unterscheidet. Ein Haufen winziger Goldpartikel scheint sich wie eine Gruppe künstlicher Gehirnzellen zu verhalten.

Ein Gehirn aus Silizium

Auf den ersten Blick scheint ein klassischer Computer grundsätzlich ungeeignet, ein Gehirn zu simulieren. Es stimmt, dass ein durchschnittlicher Computerchip Milliarden von Transistoren hat (die man sich als winzige Schalter vorstellen kann), aber sie funktionieren anders als Neuronen, die Teile unseres Gehirns.

Ein Transistor empfängt ein Signal und kann es entweder weiterleiten oder sperren. Es ist wie ein Floodgate, das vollständig geöffnet oder vollständig geschlossen ist: Der Transistor passiert eine ‘1’ oder ‘0’, alles oder nichts. Auch ein Neuron sendet ein Signal, allerdings erst, wenn es einen sogenannten Schwellwert erreicht. Betrachten Sie es eher wie eine scharfe Kanone und “Feuer”, wenn Sie von mehreren Eingängen abgefeuert werden zur selben Zeit bekommt ein Signal.

Außerdem behalten Neuronen ihre „Zustände“ bei, die Verbindungen zwischen den Neuronen (auch Synapsen genannt) sind anpassungsfähig und übertragen Signale mehr oder weniger leicht, abhängig von all den zuvor weitergegebenen Signalen. In diesem Sinne hat ein Transistor keinen Speicher.

Gemeinsam stark

Eine vereinfachte schematische Darstellung eines neuronalen Netzes, wie es sich im Gehirn befindet. Die roten „Gehirnzellen“ empfangen ein Signal (links) und geben es gewissermaßen an die blauen bzw. gelben Zellen weiter. Sie produzieren schließlich ein Ergebnis (rechts).

Künstliche Intelligenz kostet viel Energie, weil sie auf einer Vielzahl von Berechnungen eines großen Datenhaufens beruht. Professor für Nanoelektronik Wilfred van der Wiel von der Universität Twente erklärt, dass es tatsächlich darauf ankommt, riesige Zahlenreihen zu multiplizieren (sogenannte Vektormatrixmultiplikationen). Bei der Multiplikation muss immer eine Zahl aus dem Speicher abgerufen werden, bevor sie in den Speicher zurückgesendet wird. „Das sind viele Verarbeitungsschritte und das funktioniert im Moment nur einigermaßen gut, weil ein Computer diese Schritte sehr schnell nacheinander erledigt“, sagt Van der Wiel.

Dann nimm unser Gehirn. In Bezug auf die Rechengeschwindigkeit von wenigen Neuronen kann dies nicht mit den Milliarden Rechenschritten mithalten, die ein moderner Prozessor pro Sekunde durchläuft. Die Geschwindigkeit von Neuronen liegt in der Größenordnung von mehreren hundert „Operationen“ pro Sekunde. Der große Trumpf ist jedoch, dass das Gehirn enorm viele Rechenschritte gleichzeitig durchführt. Das Verschieben von Zahlen in den und aus dem Speicher ist nicht erforderlich (siehe auch Kasten Gehirn in Silizium), da die Verarbeitung und Speicherung von Informationen am selben Ort erfolgt. Das erweist sich als effizient.

Das prüfen Forscher nun und machen Computer „parallel“, damit sie mehr Rechenschritte gleichzeitig durchführen können. Dies kann zum Beispiel mit sogenannten Grafikprozessoren (GPUs), Prozessoren, die ihren Ursprung in der Spielewelt haben und auf viele parallele Rechenschritte spezialisiert sind. Es gibt GPUs in der Rückseite von Teslas und AlphaGo hat sie auch verwendet. Aber wenn Computer so effizient wie das Gehirn sein sollen, ist ein weiterer Ansatz zur Gehirnarchitektur erforderlich. Der Transistor muss über Bord gehen.

Schematische Darstellung einer programmierbaren ‘Gehirnzelle’ aus Gold-Nanopartikeln (in der Mitte), die von acht umgebenden Elektroden angetrieben wird. Die Schaltung arbeitet derzeit bei einer Temperatur von -196 Grad Celsius.

Gehirnzellen aus Goldpartikeln

Der Computer in Van der Wiels Labor hat keine Transistoren. Computer ist vielleicht auch ein großes Wort, denn die Schaltung hat vorerst maximal zwölf Ein- und Ausgänge, die mit einem sogenannten Nanomaterial aus Goldpartikeln verbunden sind. Mit etwas Fantasie kann man sich das als Ansammlung einer Reihe von Gehirnzellen vorstellen.

Die Goldpartikel haben einen Durchmesser von zwanzig Nanometern und liegen auf einem isolierenden Substrat aus Siliziumoxid. Elektroden laufen von verschiedenen Seiten auf die Goldpartikel zu. Dazu gehören Eingänge, die ein Signal übertragen. Letztlich erzeugt es auf Basis dieser Eingänge einen Ausgang, ein Signal, das an das nächste Netzwerk weitergegeben wird.

Die Schaltungen sind durch Anlegen einer bestimmten Spannung an die Steuerelektroden programmierbar. Dadurch ändert sich die Art und Weise, wie Strom durch die Goldpartikel fließt: sowohl seinen Weg als auch seinen Widerstand. Van der Wiel und Kollegen haben bereits gezeigt, dass es auf diese Weise möglich ist, “logische” Schaltungen zu erstellen, die sich in Computern befinden, für die viel mehr klassische Transistoren benötigt werden.

Letztlich ist es gerade nicht die Absicht, den klassischen Computer nachzuahmen. “Es war ein Beweis des Prinzips die Programmierbarkeit der Schaltung. Die endgültige Anwendung wird nicht aus diesen Schaltungen bestehen“, sagt Van der Wiel.

Wilfred van der Wiel sagt, dass Anwendungen energieeffizienter neuronaler Netze vor allem dort einen Unterschied machen können, wo viel Rechenleistung benötigt wird, aber begrenzte Energie zur Verfügung steht, etwa in Kameras von selbstfahrenden Autos, die andere erkennen können Straßennutzer.

Vergessliche Chips

Eine der Herausforderungen besteht darin, das System größer zu machen, damit es komplexere Funktionen haben kann, sagt Van der Wiel. Eine Gehirnzelle macht noch kein Gehirn und die Stärke solcher Systeme liegt gerade in der großen Anzahl von Einheiten, die gleichzeitig Informationen verarbeiten. Die Hunderte von Nanopartikeln von Van der Wiel und Kollegen mögen im Vergleich zu den Hundert Milliarden Gehirnzellen in einem menschlichen Gehirn etwas mager sein. „Wir wollen skalieren und das ist eine Herausforderung. Die Frage ist, wie wir unserem Netzwerk mehr Verbindungen geben und wie wir verschiedene dieser Netzwerke verbinden”, sagt Van der Wiel. “Auch Signale aus diesem Netzwerk drohen unermesslich klein zu werden.”

Ein weiterer Punkt ist das Gedächtnis der Netze, das fehlt. Zunächst „programmieren“ die Forscher den Haufen mit Gold-Nanopartikeln, indem sie unterschiedliche Spannungen an die Elektroden anlegen, bis die Nanopartikel die gewünschte Reaktion zeigen. Aber nach dieser Phase von materielles Lernen das Material kann nämlich das gewünschte Programm wieder verlieren. „Wir prüfen jetzt, wie wir die Funktionalität zum Beispiel mit sogenannten Phase-Change-Materialien erfassen können, die auch in wiederbeschreibbaren CDs enthalten sind.“

Van der Wiel sieht diesbezüglich einen langen Weg zu Anwendungen. Wie lange diese dauern werden, wagt er nicht zu sagen. „Fünf Jahre, fünfzig Jahre, wer kann das sagen? Auf jeden Fall haben wir in den letzten zehn Jahren einige Fortschritte gemacht. Damals schien es mir, dass wir Chips mit einer zufälligen Ansammlung von Nanopartikeln ein bestimmtes Verhalten beibringen könnten. Und genau das passiert jetzt.“

Ein Widerstand mit Speicher

Auch Forscher der Universität Groningen arbeiten an Komponenten für neuromorphe Computerchips. Es ist ihnen nun gelungen, eine Verbindung in einem Material herzustellen, das die Lerneigenschaften einer Verbindung zwischen Gehirnzellen in unserem Gehirn besitzt. Das Besondere an einer solchen Verbindung ist, dass sie sich anpasst und sich ihren Zustand merkt: Wenn beispielsweise viele Signale durch sie hindurchgehen, wird die Verbindung automatisch stärker. Bei fehlendem Signal wird es schwächer.

In der Computerwelt nennt man das Memristor – eine Kombination der Wörter Erinnerung (Erinnerung) und Widerstand (Widerstand). In Groningen fertigen die Wissenschaftler einen solchen Memristor aus einem Stück Nickel auf einem Substrat aus Strontium-Titan-Oxid. Es stellt sich heraus, dass der Widerstand dieses Materials von dem zuvor durchflossenen Strom abhängt. Dieses Material kann nicht nur „lernen“, sondern auch „vergessen“, genau wie Verbindungen im Gehirn. Die Groninger Wissenschaftler hoffen, ihre Memristoren für den Einsatz in einem neuromorphen Chip reduzieren zu können.

Quellen:

  • C. Kaspar, BJ Ravoo, WG van der Wiel, SV Wegner, WHP Pernice, Der Aufstieg der intelligenten Materie, Natur (2021), doi: 10.1038 / s41586-021-03453-y
  • TF Tiotto, AS Goossens, J. Borst, T. Banerjee, NA Taatgen, Erlernen der Approximation von Funktionen mit Nb-dotiertem SrTiO3 Memristoren, Grenzen in den Neurowissenschaften (2021), doi: 10.3389 / fnins.2020.627276

Source: Kennislink by www.nemokennislink.nl.

*The article has been translated based on the content of Kennislink by www.nemokennislink.nl. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!