Direkt zum Inhalt
Login erforderlich
Dieser Artikel ist Abonnenten mit Zugriffsrechten für diese Ausgabe frei zugänglich.

Neuronale Netze: Analoge KI

Indem sie gängige physikalische Gesetzmäßigkeiten ausnutzen, wollen Fachgruppen nun leistungsfähigere neuronale Netze aus Schallwellen, Laserstrahlen und Supraleitern bauen.
Ein mehrschichtiges künstliches neuronales Netzwerk

In einer schalldichten Kiste befindet sich eines der schlechtesten neuronalen Netze der Welt. Als diesem ein Bild mit einer handgeschriebenen Zahl (sechs) präsentiert wurde, spuckte es nach einem kurzen Moment das Ergebnis aus: Null. Der Physiker und Ingenieur Peter McMahon von der Cornell University, der das Projekt leitet, verteidigt die KI mit einem verlegenen Lächeln – immerhin sei die Zahl wirklich schlampig notiert worden.

Trotz der dürftigen Vorführung ist das neuronale Netz eine Sensation. Öffnet man die Kiste, findet man keine Computerchips, sondern ein Mikrofon, das auf eine Titanplatte mit einem dahinter befindlichen Lautsprecher ausgerichtet ist. Während gewöhnliche KI mit Nullen und Einsen arbeitet, nutzt dieses Gerät kontinuierliche Schallwellen. Es wandelt die Pixel eines Bilds in Töne um. Dass die Maschine manchmal überhaupt richtig liegt, können selbst ihre Entwickler kaum glauben. Trotz der bisher noch primitiven Fähigkeiten, hoffen McMahon und sein Team, dass solche schallbetriebenen Systeme die Computertechnik revolutionieren werden.

Wenn es um maschinelles Lernen geht, gilt üblicherweise die Regel: je mehr, desto besser. Stattet man ein neuronales Netz mit zusätzlichen künstlichen Neuronen aus, wird es einen Dackel besser von einem Dalmatiner unterscheiden können. Inzwischen meistern die Programme sogar kreative Aufgaben; sie verfassen etwa Aufsätze oder produzieren Bilder. Dieses Potenzial hat viele Forscherinnen und Forscher motiviert, nach effizienteren Berechnungsmethoden zu suchen.

McMahon und einige andere Forschungsgruppen verfolgen hingegen einen außergewöhnlichen Ansatz: Sie wollen das Universum für sich rechnen lassen …

Von »Spektrum der Wissenschaft« übersetzte und bearbeitete Fassung des Artikels »How to Make the Universe Think for Us« aus »Quanta Magazine«, einem inhaltlich unabhängigen Magazin der Simons Foundation, die sich die Verbreitung von Forschungsergebnissen aus Mathematik und den Naturwissenschaften zum Ziel gesetzt hat.

Kennen Sie schon …

Spektrum - Die Woche – Eine zweite Zeitdimension

Forscher haben mit einem Quantenprozessor eine neue Materiephase erzeugt, die eine zusätzliche Zeitdimension besitzt. Womöglich werden Qubits damit weniger fehleranfällig.

Spektrum Kompakt – Signale des Körpers

Wir kommunizieren auch ohne Worte - mit Blicken, Gesten, dem Klang unserer Stimme. Dabei verrät die Körpersprache manchmal mehr, als uns vielleicht lieb ist. Das weckt auch Interesse, solche Signale automatisch auszuwerten.

Spektrum Kompakt – Proteine - Die Arbeitskräfte der Zelle

Betrachtet man Zellen als eine Art Stadt, dann sind die Proteine darin so etwas wie die Arbeitskräfte in der essenziellen Infrastruktur: Ohne funktionierende Müllabfuhr, ÖPNV oder Trinkwasserversorgung bricht das System schnell zusammen.

Schreiben Sie uns!

Beitrag schreiben

Wir freuen uns über Ihre Beiträge zu unseren Artikeln und wünschen Ihnen viel Spaß beim Gedankenaustausch auf unseren Seiten! Bitte beachten Sie dabei unsere Kommentarrichtlinien.

Tragen Sie bitte nur Relevantes zum Thema des jeweiligen Artikels vor, und wahren Sie einen respektvollen Umgangston. Die Redaktion behält sich vor, Zuschriften nicht zu veröffentlichen und Ihre Kommentare redaktionell zu bearbeiten. Die Zuschriften können daher leider nicht immer sofort veröffentlicht werden. Bitte geben Sie einen Namen an und Ihren Zuschriften stets eine aussagekräftige Überschrift, damit bei Onlinediskussionen andere Teilnehmende sich leichter auf Ihre Beiträge beziehen können. Ausgewählte Zuschriften können ohne separate Rücksprache auch in unseren gedruckten und digitalen Magazinen veröffentlicht werden. Vielen Dank!

  • Quellen

Dillavou, S. et al.: Demonstration of Decentralized, Physics-Driven Learning. ArXiv: 2108.00275, 2021

McMahon, P. L. et al.: Deep physical neural networks trained with backpropagation. Nature 601, 2022