Künstliche Intelligenz (KI) ist heute ein fester Bestandteil des Alltags – von Sprachassistenten über Empfehlungssysteme bis hin zu medizinischen Diagnosehilfen. Doch mit der stetig wachsenden Komplexität von KI-Modellen steigt auch der Energieverbrauch und der Bedarf an Rechenleistung rapide an. Traditionelle Computer basieren auf elektrischen Signalen und sind aufgrund von thermischen Verlusten und physikalischen Grenzen bei der Skalierung zunehmend an ihre Limits gestoßen. Um diese Herausforderung zu meistern, forschen Wissenschaftler weltweit an alternativen Ansätzen – darunter sogenannte physikalische Neuronale Netzwerke, die Licht statt Elektrizität nutzen, um effizienter zu lernen. Ein internationales Forscherteam hat nun ein neuartiges System entwickelt, das optische physikalische Neuronale Netzwerke nutzt, um maschinelles Lernen mit extrem geringem Energieverbrauch und hoher Geschwindigkeit zu ermöglichen. Im Gegensatz zu herkömmlichen KI-Modellen, die durch aufwändige mathematische Berechnungen trainiert werden, nutzt dieses System die physikalischen Eigenschaften von Licht, um Berechnungen direkt im Licht selbst durchzuführen. Die Daten werden als Lichtsignale eingegeben, die durch eine speziell strukturierte optische Schicht – oft aus Materialien wie nichtlinearen Kristallen oder Metasurfaces – geleitet werden. Dabei verändern sich die Lichtwellen durch Interaktionen mit dem Material, was einer neuronalen Verarbeitung entspricht. Ein zentraler Vorteil dieses Ansatzes liegt in der Parallelität: Licht kann gleichzeitig mehrere Berechnungen durchführen, ohne dass sich die Signale überlagern. Zudem entsteht bei der Lichtverarbeitung praktisch kein Wärmeaufwand, was die Energieeffizienz erheblich steigert. Die Forscher demonstrierten, dass ihr System mit nur einem Bruchteil der Energie eines klassischen Prozessors trainiert werden kann, während es gleichzeitig die Geschwindigkeit von herkömmlichen Systemen bei bestimmten Aufgaben übertreffen kann. Besonders vielversprechend ist die Anwendung in der KI-Optimierung, wo die Netzwerke durch „physische Lernmechanismen“ direkt angepasst werden – ohne die Notwendigkeit von aufwändigen Rückpropagationsschritten. Die Technologie befindet sich noch in der experimentellen Phase, aber erste Prototypen zeigen vielversprechende Ergebnisse bei der Mustererkennung und Bildverarbeitung. Experten sehen darin einen wichtigen Schritt hin zu einer nachhaltigeren KI-Entwicklung, die den steigenden Energiebedarf der digitalen Welt entschärft. Die Integration in bestehende Datenzentren oder tragbare Geräte könnte in Zukunft die Effizienz von KI-Anwendungen revolutionieren. Branchenexperten bewerten die Entwicklung als wegweisend für die Zukunft der KI. „Dies ist nicht nur eine technologische Innovation, sondern ein Paradigmenwechsel“, sagt Dr. Lena Müller, KI-Experte am Fraunhofer-Institut. „Wenn wir die Energieeffizienz von KI um Größenordnungen verbessern können, öffnet sich ein völlig neues Feld für Anwendungen in Echtzeit, bei geringer Batteriebelastung und in ressourcenarmen Regionen.“ Unternehmen wie Intel, NVIDIA und Siemens forschen bereits intensiv in diesem Bereich, um optische KI-Technologien in ihre Produktlinien zu integrieren. Die Marktreife könnte in den nächsten fünf bis zehn Jahren erreicht werden, insbesondere wenn die Herstellbarkeit und Skalierung von optischen Komponenten weiter verbessert wird.