KI-Transistor arbeitet wie das menschliche Gehirn

NORTHWESTERN UNIVERSITY / BOSTON COLLEGE / MIT / MÜNCHEN (IT BOLTWISE) – Forscher haben einen bahnbrechenden KI-Transistor entwickelt, der die Funktionsweise des menschlichen Gehirns nachahmt, und stellen damit einen wichtigen Schritt in der künstlichen Intelligenz dar.

Wissenschaftler haben in der KI-Forschung einen bedeutenden Sprung gemacht. Forscher der Northwestern University, des Boston College und des Massachusetts Institute of Technology (MIT) haben einen neuen Synapsentransistor entwickelt, der ähnlich wie das menschliche Gehirn funktioniert. Dieses fortschrittliche Gerät, das in der Lage ist, Informationen gleichzeitig zu verarbeiten und zu speichern, markiert einen bemerkenswerten Wechsel von herkömmlichen Machine-Learning-Aufgaben hin zu assoziativem Lernen, das der höheren menschlichen Kognition ähnelt.

Die Studie präsentiert ein Gerät, das effektiv bei Raumtemperatur arbeitet, was gegenüber früheren gehirnähnlichen Rechenarchitekturen, die extrem kalte Bedingungen benötigten um ihre Schaltkreise vor Überhitzung zu schützen, eine beachtliche Verbesserung darstellt. Mit seiner schnellen Arbeitsweise, niedrigem Energieverbrauch und der Fähigkeit, Informationen ohne Strom zu behalten, eignet sich der neue Transistor gut für reale Anwendungen.

„Das Gehirn hat eine grundsätzlich andere Architektur als ein digitaler Computer“, erklärt Studienmitautor Mark Hersam, der Walter P. Murphy Professor für Materialwissenschaft und Ingenieurwesen an der McCormick School of Engineering der Northwestern University, in einer Universitätsmitteilung. „In einem digitalen Computer bewegen sich Daten hin und her zwischen einem Mikroprozessor und dem Speicher, was viel Energie verbraucht und einen Engpass erzeugt, wenn man versucht, mehrere Aufgaben gleichzeitig auszuführen. Im Gehirn jedoch sind Speicherung und Informationsverarbeitung nebeneinander und vollständig integriert, was zu einer um Größenordnungen höheren Energieeffizienz führt. Unser synaptischer Transistor erreicht ähnlich eine gleichzeitige Speicher- und Informationsverarbeitungsfunktionalität, um das Gehirn getreuer nachzuahmen.“

Die Entwicklung dieses Geräts kommt zu einem entscheidenden Zeitpunkt. Da intelligente Geräte immer mehr Daten sammeln, wird der Bedarf an effizienten Verarbeitungsmethoden, die Stromnetze nicht überlasten, dringlicher. Traditionelle digitale Systeme, die Verarbeitung und Speicherung trennen, sind nicht energieeffizient bei der Handhabung großer Datenmengen. Obwohl Memristoren (gedächtnisbehaltende Widerstände) die führende Technologie für kombinierte Verarbeitungs- und Speicherfunktionen waren, beinhalteten sie dennoch energieintensive Umschaltvorgänge.

Hersam und sein Team verfolgten eine neuartige Strategie, die Moiré-Muster einbezieht – ein Typ geometrischen Design, das entsteht, wenn zwei Muster übereinander gelegt werden. Indem sie zweidimensionale Materialien wie doppelschichtiges Graphen und hexagonales Bornitrid stapelten und drehten, um ein Moiré-Muster zu bilden, konnten sie die elektronischen Eigenschaften der Graphenschichten manipulieren. Diese Manipulation ermöglichte die Schaffung eines Synapsentransistors mit verstärkter neuromorpher Funktionalität bei Raumtemperatur.

„Wenn KI menschliches Denken nachahmen soll, wäre eine der grundlegendsten Aufgaben die Klassifizierung von Daten, was einfach das Sortieren in Kategorien ist“, erklärt Hersam. „Unser Ziel ist es, die KI-Technologie in Richtung höherer Denkprozesse weiterzuentwickeln. Reale Bedingungen sind oft komplizierter als aktuelle KI-Algorithmen bewältigen können, deshalb haben wir unsere neuen Geräte unter komplizierteren Bedingungen getestet, um ihre fortgeschrittenen Fähigkeiten zu überprüfen.“

Die Tests des Geräts umfassten das Training, Muster und Ähnlichkeiten zu erkennen, eine Form des assoziativen Lernens. Beispielsweise könnte der Transistor, wenn er darauf trainiert wurde, ein Muster wie „000“ zu identifizieren, erkennen, dass „111“ „000“ ähnlicher ist als „101“, was eine höhere kognitive Funktion demonstriert. Diese Fähigkeit, komplexe und unvollkommene Eingaben zu verarbeiten, hat bedeutende Implikationen für reale KI-Anwendungen, beispielsweise die Verbesserung der Zuverlässigkeit von selbstfahrenden Fahrzeugen unter herausfordernden Bedingungen.

„Aktuelle KI kann leicht verwirrt werden, was in bestimmten Kontexten zu großen Problemen führen kann“, sagt Hersam. „Stellen Sie sich vor, Sie benutzen ein selbstfahrendes Fahrzeug, und die Wetterbedingungen verschlechtern sich. Das Fahrzeug könnte die komplizierteren Sensordaten vielleicht nicht so gut wie ein menschlicher Fahrer interpretieren. Aber selbst als wir unserem Transistor unvollkommene Eingaben gaben, konnte er trotzdem die richtige Antwort identifizieren.“

Die Studie repräsentiert einen Paradigmenwechsel in der Elektronik, insbesondere für KI- und Machine-Learning-Aufgaben. Indem man sich von der traditionellen Siliziumarchitektur entfernt und die Physik von Moiré-Mustern erkundet, haben Forscher ein neues Reich der Möglichkeiten für die Computerhardware eröffnet und bereiten den Weg für ausgeklügeltere und energieeffizientere KI-Technologien.

Hinweis: Teile dieses Textes könnten mithilfe einer Künstlichen Intelligenz generiert worden sein.