Forscher der USC Viterbi School of Engineering haben künstliche Neuronen entwickelt, die das komplexe elektrochemische Verhalten biologischer Gehirnzellen physikalisch nachbilden. Diese Innovation wird im Journal dokumentiert Naturelektronikist ein großer Sprung für das neuromorphe (gehirninspirierte) Rechnen. Im Gegensatz zu bestehenden Chips, die die Gehirnaktivität lediglich mit Mathematik *simulieren*, *emulieren* diese neuen künstlichen Neuronen diese physisch. Dies ist wichtig, da das neue Design nur einen Bruchteil der Größe hat, weit weniger Energie verbraucht und ein entscheidender Schritt zum Aufbau künstlicher allgemeiner Intelligenz (AGI) sein könnte. Das von USC-Professor Joshua Yang geleitete Projekt stellt ein neues Gerät namens a vor diffusiver Memristor. Hier ist der Hauptunterschied: Fast alle modernen Computer, vom Telefon bis zum Supercomputer, basieren auf Siliziumtechnologie, die durch die Verschiebung von Elektronen funktioniert. Das ist unglaublich schnell, aber auch unglaublich energiehungrig, was ein großes Problem für den Betrieb der heutigen riesigen KI-Modelle darstellt. Das menschliche Gehirn nutzt Elektronen nicht auf die gleiche Weise. Es ist „Wetware“. Es basiert auf einer Mischung aus elektrischen und chemischen Signalen. Wenn ein Signal das Ende eines Neurons (die Synapse) erreicht, wird es in Chemikalien (Ionen wie Kalium oder Natrium) umgewandelt, die physisch zum nächsten Neuron wandern und die Informationen weitergeben. Das Team von Professor Yang hat diesen physikalischen Prozess erfolgreich nachgeahmt. Anstelle von Silizium verwendet ihr Gerät Silberionen in einem Oxid. Die Silberatome bewegen sich physikalisch, um einen elektrischen Impuls zu erzeugen, der die Ionendynamik des Gehirns nachahmt. „Auch wenn es sich nicht um genau die gleichen Ionen handelt, sind die Physik, die die Ionenbewegung und die Dynamik bestimmt, sehr ähnlich“, sagt Yang. „Das Gehirn lernt, indem es Ionen durch Membranen bewegt und so energieeffizientes und adaptives Lernen direkt in der Hardware erreicht.“
Warum „Wetware“ intelligenter ist als Hardware
Der Vorteil dieses gehirnähnlichen Ansatzes ist nicht die Geschwindigkeit; Elektronen sind immer noch schneller. Der Vorteil liegt in der Effizienz. Das menschliche Gehirn kann lernen, handgeschriebene Ziffern zu erkennen, nachdem es nur wenige Beispiele gesehen hat, und das bei nur etwa 100 Gramm 20 Watt Leistung. Ein Supercomputer benötigt Tausende von Beispielen und verbraucht Megawatt an Leistung, um die gleiche Aufgabe zu erledigen. Yang erklärt, dass Elektronen „leicht und flüchtig“ seien, was für softwarebasiertes Lernen großartig, für die Effizienz jedoch schlecht sei. Da Ionen schwerer sind, erzeugen sie dauerhaftere Veränderungen auf Hardwareebene, wodurch das Gehirn tatsächlich lernt. Diese neue Methode kommt der Nachahmung dieser natürlichen Intelligenz einen Schritt näher.
Ein gewaltiger Effizienzsprung
Der Nutzen für dieses neue Design ist enorm. Beim konventionellen Chipdesign sind für die Fälschung eines einzelnen Neurons Dutzende oder sogar Hunderte von Transistoren erforderlich. Das neue diffusive Memristor-Design benötigt nur Platz ein Transistor. „Wir entwerfen die Bausteine, die uns letztendlich dazu bringen werden, die Chipgröße um Größenordnungen zu reduzieren und den Energieverbrauch um Größenordnungen zu senken“, erklärt Yang. Es gibt immer noch Hürden. Das im Experiment verwendete Silber ist nicht mit der Standard-Halbleiterherstellung kompatibel, daher muss das Team andere Materialien untersuchen. Aber der Proof-of-Concept ist ein Durchbruch. Bei diesen neuen, kompakten Bausteinen – künstlichen Synapsen und Neuronen – geht es im nächsten Schritt darum, Millionen davon auf einem Chip zu integrieren. „Noch spannender“, schließt Yang, „ist die Aussicht, dass solche gehirngetreuen Systeme uns dabei helfen könnten, neue Erkenntnisse über die Funktionsweise des Gehirns selbst zu gewinnen.“
