Künstliche Intelligenz heißt derzeit vor allem: Deep Learning. Dabei simuliert ein Computer ein riesiges Netzwerk aus künstlichen Neuronen, die untereinander Werte austauschen – und am Ende Bilder erkennen, Sprache verstehen, bei Pokerturnieren abräumen und vieles mehr. So bemerkenswert dies ist, so hoch sind die Ansprüche an die Rechenleistung.

Abhilfe könnten Chips schaffen, die auf die Anforderungen der neuronalen Netzwerke maßgeschneidert sind. Ihren Prototyp eines solchen Systems stellen jetzt Wissenschaftler um Yichen Shen und Nicholas Harris vom Massachusetts Institute of Technology vor. Der Clou: Bei ihrem Chip kommunizieren diejenigen Bauteile, die den Neuronen entsprechen, mit Licht. Wo im herkömmlichen Ansatz der Computer die Werte mathematisch verrechnet, lassen Shen, Harris und Kollegen die einzelnen Lichtstrahlen miteinander wechselwirken. Das beschleunigt den Ablauf drastisch. Laut den Forschern werden Rechengeschwindigkeiten möglich, die zwei oder mehr Größenordnungen über denen herkömmlicher elektronischer Chips liegen.

Der Prototyp, den sie jetzt in einer Veröffentlichung in "Nature Photonics" beschreiben, ist nur wenige Millimeter groß, umfasst allerdings auch nur insgesamt vier Schichten von je vier Neuronen. Das ist genug, um testweise gesprochene Vokale vergleichbar gut zu kategorisieren wie ein herkömmliches System dieser Größe, jedoch zu wenig für praktisch jede realistische Aufgabe.

Doch in Zukunft könnte man auch weit größere Chips bauen, meinen sie, Geräte jenseits der 1000 Neurone seien möglich. Als viel versprechend gilt ihr Unterfangen vor allem deshalb, weil sie den Chip komplett aus Silizium aufbauen. Vorhandene Produktionsmaschinen könnten also theoretisch umgenutzt werden und preiswert produzieren, urteilt Alex Tait von der Princeton University gegenüber "Science".

Ein weiterer Vorteil dieser so genannten photonischen Chips ist ihre Sparsamkeit: Die Bauteile eines elektronischen Systems benötigen Energie für ihre Tätigkeit. Mehr simulierte Neurone erhöhen den Energiebedarf mit quadratischen Zuwachsraten. Bei lichtbasiertem Rechnen geschieht die Wechselwirkung hingegen von allein, lediglich die Leistung des Lasers, mit dem der Chip angetrieben wird, wächst proportional mit der Zahl der simulierten Neurone.

Maßgeschneiderte Hardware für Deep Learning, ob photonisch oder klassisch elektronisch, wäre überall dort einsetzbar, wo hochspezielle Aufgaben so effizient wie möglich erfüllt werden müssen. Die Forscher nennen als Beispiel die Steuerung von selbstfahrenden Autos oder Raketen. Auch in Smartphones könnten Spezialchips nützlich sein, etwa in der Spracherkennung, die derzeit auf externe Cloudcomputer ausgelagert ist, künftig aber vielleicht im Telefon selbst erfolgt.