ChatGPT und andere KI unglaublich schneller und effizienter mit dieser "leuchtenden" Technologie

Die Zukunft der künstlichen Intelligenz (KI) könnte durch Licht bestimmt werden. Eine vielversprechende neue Methode, entwickelt von Forschern des Max-Planck-Instituts für die Wissenschaft des Lichts, schlägt vor, ein optisches System für die Implementierung von neuronalen Netzwerken zu nutzen. Dieser innovative Ansatz könnte das maschinelle Lernen schneller und deutlich energieeffizienter machen.


Derzeit erleben Technologien des maschinellen Lernens und der KI ein rasantes Wachstum, von Aufgaben der Bildverarbeitung bis hin zur Texterstellung, wie ChatGPT veranschaulicht. Dieses wachstumsintensive Feld hat jedoch zu immer komplexeren neuronalen Netzwerken geführt, die manchmal Milliarden von Parametern umfassen und energetisch kaum tragbar sind.

Um dieses Problem zu lösen, strebt die neuromorphe Informatik an, digitale neuronale Netzwerke durch physische Netzwerke zu ersetzen, die in der Lage sind, dieselben mathematischen Operationen schneller und effizienter auszuführen. Optische und photonische Plattformen erweisen sich aufgrund ihres geringen Energieverbrauchs und ihrer Berechnungsgeschwindigkeit, die nur durch die Lichtgeschwindigkeit begrenzt ist, als besonders vielversprechend.

Dennoch bestehen zwei große Herausforderungen: die Notwendigkeit hoher Laserleistungen für die Durchführung komplexer mathematischer Berechnungen und das Fehlen einer effektiven Methode zum Lernen dieser physischen Netzwerke. Die von Clara Wanjura und Florian Marquardt vorgeschlagene Methode überwindet diese Hindernisse, indem sie die Lichtübertragung modifiziert.

Dieser Ansatz vermeidet komplizierte physische Interaktionen, die für mathematische Funktionen notwendig sind, und verringert somit den Bedarf an hoher Lichtintensität. Darüber hinaus werden das Lernen und die Auswertung (Inference) des Netzwerks einfacher; es genügt, Licht durch das System zu schicken und das übertragene Licht zu beobachten.


Die Simulationen der Forscher haben gezeigt, dass diese Methode für Bildklassifizierungsaufgaben mit einer Genauigkeit verwendet werden kann, die den digitalen Netzwerken entspricht. Die nächsten Schritte umfassen experimentelle Kooperationen zur Erforschung der Implementierung dieser Methode auf verschiedenen Plattformen, wodurch neue Möglichkeiten für neuromorphe Geräte eröffnet werden.