Nanomagnete können einen Wein wählen und könnten den Energiedurst der KI stillen
Ein neuartiges neuronales Netz hat einen virtuellen Weinverkostungstest bestanden und verspricht eine weniger energiehungrige Version künstlicher Intelligenz
Das menschliche Gehirn verarbeitet eine Vielzahl von Informationen. Wenn Weinliebhaber einen neuen Wein probieren, verarbeiten die neuronalen Netze in ihren Gehirnen bei jedem Schluck eine Vielzahl von Daten. Die Synapsen in den Neuronen feuern und wägen die Bedeutung der einzelnen Daten ab - Säure, Fruchtigkeit, Bitterkeit -, bevor sie sie an die nächste Schicht von Neuronen im Netzwerk weitergeben. Während die Informationen fließen, analysiert das Gehirn die Art des Weins.
Durch die Analyse der verschiedenen Eigenschaften von Weinen, wie Säure, Fruchtigkeit und Bitterkeit (links als farbige Kolben dargestellt), konnte ein neuartiges KI-System (Mitte) erfolgreich feststellen, um welche Art von Wein es sich handelt (rechts). Das KI-System basiert auf magnetischen Bauteilen, die als "magnetische Tunnelverbindungen" bekannt sind, und wurde von Forschern des NIST, der University of Maryland und Western Digital entwickelt und gebaut.
J. McClelland/NIST
Wissenschaftler wollen, dass Systeme der künstlichen Intelligenz (KI) ebenfalls anspruchsvolle Datenkenner sind, und entwerfen daher Computerversionen neuronaler Netze zur Verarbeitung und Analyse von Informationen. Die KI holt das menschliche Gehirn bei vielen Aufgaben ein, verbraucht aber in der Regel viel mehr Energie, um die gleichen Aufgaben zu erledigen. Unser Gehirn führt diese Berechnungen mit einem geschätzten durchschnittlichen Stromverbrauch von 20 Watt durch. Ein KI-System kann das Tausendfache davon verbrauchen. Diese Hardware kann auch zurückbleiben, so dass die KI langsamer, weniger effizient und weniger effektiv ist als unser Gehirn. Ein großer Bereich der KI-Forschung sucht nach weniger energieintensiven Alternativen.
In einer Studie, die in der Fachzeitschrift Physical Review Applied veröffentlicht wurde, haben Wissenschaftler des National Institute of Standards and Technology (NIST) und ihre Mitarbeiter eine neue Art von Hardware für die KI entwickelt, die weniger Energie verbrauchen und schneller arbeiten könnte - und die bereits eine virtuelle Weinprobe bestanden hat.
Wie herkömmliche Computersysteme besteht auch die künstliche Intelligenz aus physischen Hardwareschaltungen und Software. Die Hardware von KI-Systemen besteht oft aus einer großen Anzahl herkömmlicher Siliziumchips, die als Gruppe sehr energiehungrig sind: Das Training eines hochmodernen kommerziellen Prozessors für natürliche Sprache verbraucht beispielsweise etwa 190 Megawattstunden (MWh) an elektrischer Energie, was ungefähr der Menge entspricht, die 16 Menschen in den USA in einem ganzen Jahr verbrauchen. Und das, bevor die KI einen Tag lang an der Aufgabe arbeitet, für die sie trainiert wurde.
Ein weniger energieintensiver Ansatz wäre die Verwendung anderer Arten von Hardware zur Erstellung der neuronalen Netze der KI, und die Forschungsteams suchen nach Alternativen. Ein vielversprechender Baustein ist ein magnetischer Tunnelübergang (MTJ), der für die Art von Mathematik, die ein neuronales Netz verwendet, geeignet ist und nur vergleichsweise wenig Energie benötigt. Andere neuartige Geräte, die auf MTJs basieren, verbrauchen nachweislich ein Vielfaches an Energie im Vergleich zu ihren herkömmlichen Hardware-Pendants. MTJs können auch schneller arbeiten, weil sie Daten am selben Ort speichern, an dem sie ihre Berechnungen durchführen, im Gegensatz zu herkömmlichen Chips, die Daten an anderer Stelle speichern. Das Beste von allem ist vielleicht, dass MTJs bereits kommerziell von Bedeutung sind. Sie dienen seit Jahren als Schreib-Lese-Köpfe von Festplattenlaufwerken und werden heute als neuartige Computerspeicher verwendet.
Obwohl die Forscher aufgrund ihrer bisherigen Leistung in Festplatten und anderen Geräten Vertrauen in die Energieeffizienz von MTJs haben, stand der Energieverbrauch nicht im Mittelpunkt der vorliegenden Studie. Sie wollten in erster Linie wissen, ob eine Anordnung von MTJs überhaupt als neuronales Netz funktionieren kann. Um das herauszufinden, nahmen sie es zu einer virtuellen Weinprobe mit.
Die Wissenschaftler des NIST-Programms "Hardware for AI" und ihre Kollegen von der University of Maryland fertigten und programmierten ein sehr einfaches neuronales Netzwerk aus MTJs, die ihnen von ihren Mitarbeitern im Forschungszentrum von Western Digital in San Jose, Kalifornien, zur Verfügung gestellt wurden.
Wie jeder Weinkenner musste auch das KI-System seinen virtuellen Gaumen trainieren. Das Team trainierte das Netzwerk mit 148 Weinen aus einem Datensatz von 178 Weinen, die aus drei Rebsorten hergestellt wurden. Jeder virtuelle Wein verfügte über 13 zu berücksichtigende Merkmale wie Alkoholgehalt, Farbe, Flavonoide, Asche, Alkalinität und Magnesium. Jedem Merkmal wurde ein Wert zwischen 0 und 1 zugewiesen, den das Netzwerk bei der Unterscheidung eines Weins von den anderen berücksichtigen konnte.
"Es handelt sich um eine virtuelle Weinverkostung, aber die Verkostung erfolgt mit Hilfe von Analysegeräten, die effizienter sind, aber weniger Spaß machen als eine eigene Verkostung", sagte der NIST-Physiker Brian Hoskins.
Dann wurde eine virtuelle Weinprobe mit dem gesamten Datensatz durchgeführt, der 30 Weine enthielt, die das System noch nicht kannte. Das System bestand mit einer Erfolgsquote von 95,3 %. Von den 30 Weinen, auf die es nicht trainiert worden war, machte es nur zwei Fehler. Die Forscher werteten dies als ein gutes Zeichen.
"Eine Erfolgsquote von 95,3 % zeigt uns, dass das System funktioniert", sagte der NIST-Physiker Jabez McClelland.
Es geht nicht darum, einen KI-Sommelier zu bauen. Vielmehr zeigt dieser frühe Erfolg, dass eine Reihe von MTJ-Bauteilen potenziell vergrößert und zum Aufbau neuer KI-Systeme verwendet werden könnte. Während der Energieverbrauch eines KI-Systems von seinen Komponenten abhängt, könnte die Verwendung von MTJs als Synapsen den Energieverbrauch drastisch um die Hälfte, wenn nicht sogar mehr, reduzieren, was einen geringeren Energieverbrauch in Anwendungen wie "intelligenter" Kleidung, Miniaturdrohnen oder Sensoren, die Daten an der Quelle verarbeiten, ermöglichen könnte.
"Es ist wahrscheinlich, dass durch die Implementierung großer neuronaler Netze mit dieser Art von Array erhebliche Energieeinsparungen gegenüber herkömmlichen softwarebasierten Ansätzen erzielt werden können", so McClelland.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Weitere News aus dem Ressort Wissenschaft
Holen Sie sich die Lebensmittel- und Getränke-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die Lebensmittel- und Getränkeindustrie bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
