Forscher der Loughborough University haben einen neuartigen Computerchip entwickelt, der die Physik von Materialien nutzt, um künstliche Intelligenz (KI) Aufgaben deutlich energieeffizienter zu gestalten. Das Gerät ist in der Lage, zeitabhängige Daten direkt in der Hardware zu verarbeiten, anstatt sich auf herkömmliche Software zu verlassen. Die Studie, die im Fachjournal Advanced Intelligent Systems veröffentlicht wurde, zeigt, dass dieser Ansatz bei bestimmten Anwendungen bis zu 2.000 Mal energieeffizienter sein kann als herkömmliche softwarebasierte Methoden. Der Chip basiert auf einer speziellen Art von Memristoren, die aus nanoporösen Oxiden bestehen. Diese elektronischen Bauteile können Informationen über vergangene Eingaben speichern. Innerhalb des Materials erzeugen zufällige Nanoporen verschiedene elektrische Leitwege, die als versteckte Verarbeitungsschicht eines neuronalen Netzwerks fungieren. Durch diese physikalischen Strukturen übernimmt das Material selbst einen Teil der Berechnungen, was als Reservoir-Computing bezeichnet wird. Diese Technik ist besonders nützlich für Probleme, bei denen Datenströme verarbeitet werden müssen, um Muster zu erkennen und Vorhersagen zu treffen, wie etwa bei Wetterdaten oder biologischen Prozessen. Dr. Pavel Borisov, der die Forschung leitete, betonte die Bedeutung dieses Ansatzes. Er erklärte, dass durch die Nutzung physikalischer Prozesse statt reiner Software der Energiebedarf für solche Aufgaben drastisch reduziert werden kann. Das menschliche Gehirn bildet zahllose scheinbar zufällige Verbindungen zwischen Neuronen; dieses Prinzip wurde imitiert, indem zufällige physikalische Verbindungen in nanometerdünnen Filmen aus Nioboxid hergestellt wurden. In Tests bewies das System seine Vielseitigkeit. Es wurde mit dem Lorenz-63-System, einem bekannten mathematischen Modell für Chaos, sowie mit Aufgaben zur Erkennung einfacher Pixelbilder von Zahlen und zur Durchführung logischer Operationen geprüft. Das Gerät war erfolgreich in der Lage, das kurzfristige Verhalten des chaotischen Systems vorherzusagen, fehlende Daten zu rekonstruieren und Zahlen korrekt zu identifizieren. Dies demonstriert, dass das Gerät eine breite Palette unterschiedlicher Aufgaben bewältigen kann. Die steigenden Energiebedürfnisse von KI-Systemen stellen eine wachsende Herausforderung für die Nachhaltigkeit dar. Durch die Verlagerung von Berechnungen von Software auf Hardware könnten vergleichbare Ergebnisse mit einem deutlich geringeren Energieverbrauch erzielt werden. Professor Sergey Saveliev hob hervor, wie grundlagenphysikalische Erkenntnisse moderne Berechnungen bereichern können, indem sie die Komplexität physikalischer Systeme als hochdimensionalen Filter für Daten nutzen, um enorme Rechenaufwände zu vermeiden. Aktuell befindet sich die Technologie noch in einer frühen Phase, da die Tests auf vergleichsweise einfachen Aufgaben basierten. Zukünftige Arbeiten müssen darauf abzielen, die Komplexität der neuronalen Netzwerke zu erhöhen, die Skalierbarkeit zu verbessern und die Leistung bei verrauschten, realen Daten zu bewerten. Die Forscher sind jedoch zuversichtlich, dass dieser Ansatz zu kleinen, industrietauglichen Geräten führen kann, die für KI-Anwendungen mit besserer Energieeffizienz und Offline-Fähigkeiten geeignet sind.