Neue, vom Gehirn inspirierte KI lernt in Echtzeit mit extrem geringem Stromverbrauch

Das menschliche Gehirn ist der fortschrittlichste Supercomputer der Welt. Es kann gleichzeitig lernen und sich anpassen, ohne dass riesige Rechenzentren wie heutige KI-Systeme erforderlich sind. Diesen Monat stellte ein Team von Ingenieuren der Fakultät für Computer- und Elektrotechnik der Texas A&M University und anderer führender Institutionen ein vom Gehirn inspiriertes KI-System vor, das eine bessere Leistung ermöglichen und intelligentere Protokolle ermöglichen könnte. Hier erfahren Sie alles Wissenswerte. 

Die Grenzen der traditionellen KI und der Turing-Architektur

Künstliche Intelligenz ist eine der am schnellsten wachsenden und spannendsten Technologiebranchen weltweit. Innerhalb weniger Jahre entwickelten sich KI-Algorithmen von hochrangigen Google- und Microsoft-Ingenieuren zu einem gängigen Werkzeug für jedermann. Im Laufe dieser Entwicklung haben KI-Systeme kontinuierlich an Leistung und Fähigkeiten gewonnen. Neben dieser Leistungssteigerung hat auch die Hardware zugenommen. 

KI-Systeme basieren insbesondere auf der Turing-Architektur. Diese Art des Computers ist nach ihrem Erfinder Alan Turing benannt. Er ging davon aus, dass Computer eine bessere Leistung erbringen könnten, wenn bestimmte Teile ihrer Operationen getrennt würden. 

Diese Struktur bedeutet, dass Prozessor und Speicher im Chipdesign physisch getrennt sind. Diese Trennung prägt seither das Hardware-Design von Maschinen. Seine Computervision ist auch heute noch die am häufigsten verwendete Architektur, obwohl seine Entdeckung Jahrzehnte zurückliegt. 

Die Energiekrise: Warum moderne KI einen neuen Bauplan braucht

Das Problem bei diesem Ansatz ist, dass KI-Systeme riesige Datenmengen benötigen. In manchen Fällen müssen ganze Rechenzentren von Grund auf neu aufgebaut werden, wobei modernste Hardware Teil der Systemanforderungen ist. Leider ist diese Struktur nicht nachhaltig. 

Große Rechenzentren sind enorme Stromfresser und können so viel Energie verbrauchen wie ganze Städte. Oftmals nutzen diese Systeme erneuerbare Energien, was zur Reduzierung der Umweltbelastung beiträgt. Die steigende Nachfrage nach KI-Systemen erfordert jedoch eine Effizienzsteigerung, um diese Protokolle auch in Zukunft nachhaltig zu gestalten.

Warum sich heutige KI-Modelle nicht in Echtzeit anpassen können

Darüber hinaus bedeutet diese Struktur, dass die Skalierbarkeit dieser Protokolle auf ihren Hardware- und nicht auf ihren Softwarebeschränkungen basiert. Selbst das fortschrittlichste System muss immer noch warten, bis die Daten physisch zwischen den Hardwarekomponenten eines Geräts gesendet werden. 

 Einführung einer Super-Turing-KI: Inspiriert vom menschlichen Gehirn

Ein weiterer Nachteil Turing-basierter KI-Systeme besteht darin, dass sie auf voreingestellten Datenpunkten basieren. Heutige Modelle bieten keine Möglichkeit, ihre Leistung während des Betriebs zu ändern. Diese Systeme sind auf die bereitgestellten Daten angewiesen, um die Backpropagation durchzuführen. 

Dieser Ansatz unterscheidet sich von unserem Gehirn, das eine Kombination aus Wissen und Umweltbedingungen nutzt, um mit einem Bruchteil der Energie genaue Einschätzungen vorzunehmen. Insbesondere ist es biologisch unmöglich, die Rückpropagation zu replizieren, da dies voraussetzt, dass die Person die Situation bereits zuvor erlebt hat. Vor diesem Hintergrund haben Ingenieure versucht, ein KI-System zu entwickeln, das menschliches Lernen nachahmt.  

Wie synaptische Widerstände wie unser Gehirn lernen

Die Studium "HfZrO-basierte synaptische Widerstandsschaltung für ein intelligentes Super-Turing-System"¹ stellt ein neuromorphes KI-System vor, das die Lernprozesse des Gehirns nachahmt und so Echtzeit-Anpassung an Bedingungen ermöglicht. Die Studie wurde von einem Forscherteam der UCLA, der Texas A&M University und anderer Forschungseinrichtungen durchgeführt und in Science Advances veröffentlicht. Um diese Aufgabe zu bewältigen, entwickelte das Team einen „Synstor“-Schaltkreis (synaptischer Widerstand), der wie das Gehirn lernen kann. 

Quelle – Texas A&M Fakultät für Computer- und Elektrotechnik

Gehirnähnliche Effizienz: KI, die Mikrowatt statt Megawatt verbraucht

Die Ingenieure hinter dieser Studie erkennen, dass das menschliche Gehirn der KI in vielen Aspekten, beispielsweise beim Energieverbrauch und bei der Flexibilität, noch weit voraus ist. Die neuronalen Prozesse des Gehirns ermöglichen es ihm, komplexe Körperfunktionen auszuführen und sich gleichzeitig an veränderte Bedingungen im Umfeld anzupassen. 

In Bezug auf die Energieeffizienz benötigt das menschliche Gehirn nur etwa 20 Watt für den Betrieb. Im Vergleich dazu können moderne KI-Systeme im Betrieb bis zu einer Milliarde Watt verbrauchen. Dieser Stromverbrauch entsteht durch die Verarbeitungswege und -komponenten sowie die Architektur der KI-Systeme.  

 Synaptische Plastizität in der künstlichen Intelligenz verstehen

Die Ingenieure begannen mit der Untersuchung der synaptischen Plastizität im Gehirn. Unser Gehirn verfügt über Millionen von Neuronen, die unser Gedächtnis und unsere Lernfähigkeit steuern. Diese Kommunikationsbereiche, an denen Nerven aufeinandertreffen, werden Synapsen genannt. Synaptische Plastizität bezeichnet die Fähigkeit des Gehirns, häufig genutzte Verbindungen zu stärken. Sie beschreibt auch die Fähigkeit des Gehirns, neue Bahnen zu schaffen, wenn dies als effizienter erachtet wird. 

Das Geheimnis des Gehirns: Wechsel zwischen Turing- und Super-Turing-Modus

Gehirne können sowohl im Turing-Modus als auch im Super-Turing-Modus arbeiten. Im Turing-Betriebszustand nutzt Ihr Gehirn zuvor erlernte Aufgaben und Aktionen. Treten unerwartete Szenarien ein oder ändern sich die Bedingungen unvorhersehbar, wechselt Ihr Gehirn automatisch in den Super-Turing-Modus. Dieser Ansatz ermöglicht es Ihrem Gehirn, sich stets an Ihre Umgebung anzupassen.

Wie Super-Turing-KI sofort lernt und sich anpasst

Wissenschaftler haben herausgefunden, dass dieser Super-Drehzustand den Kern der einzigartigen Fähigkeiten des Gehirns bildet. Sie nutzten diese Struktur, um KI-Architekturen neu zu konzipieren und sich einen menschenähnlicheren Betriebsablauf vorzustellen, bei dem Lernen und Schlussfolgerung gleichzeitig stattfinden. 

Diese Strategie reduziert den Energieverbrauch erheblich. Da keine großen Datenmengen mehr zwischen Hardwarekomponenten übertragen werden müssen, sinkt der Verbrauch und die Leistung wird verbessert. Sie unterstützt außerdem die Echtzeit-Anpassbarkeit und senkt den Stromverbrauch auf ein neues Tief.

Im Inneren des Synstors: Der ferroelektrische Schaltkreis imitiert menschliches Lernen

Im Mittelpunkt dieser Studie steht die Entwicklung einer umfassenden Sensorschaltung, die gleichzeitig verarbeiten, lernen und reibungslos arbeiten kann. Im Rahmen ihrer Studie fertigte das Team eine Schaltung aus Hf0.5Zr0.5O2-basierten Synstoren.  

Diese maßgeschneiderte Schaltung enthielt synaptische Widerstände mit ferroelektrischen HfZrO-Materialien. Ferroelektrische Materialien wie Hf-Oxide ermöglichen es Ingenieuren, skalierbare, Si-kompatible, nichtflüchtige analoge Speicher und neuromorphe Bauelemente zu entwickeln. 

Drohnensimulation: Mensch vs. KI vs. Synstor

Das Team erstellte eine Drohnenflugsimulation und ließ eine traditionelle KI, einen Menschen und ein Super-Turing-KI-System die Simulation steuern, um ihre Theorie zu testen. Bevor Turbulenzen oder Hindernisse auftraten, lernten die Synstor-Schaltung, die menschlichen Bediener und das künstliche neuronale Netzwerk (KNN) erfolgreich, die Drohne ohne Probleme oder Verzögerungen in Richtung ihrer Zielposition zu steuern. 

Kamen jedoch Bäume oder starker Wind hinzu, verschlechterte sich die Leistung aller Beteiligten. Insbesondere das menschliche und das Synstor-Schaltkreis-KI-System meisterten die Aufgabe. Das herkömmliche KI-System konnte sich nicht an die neue Umgebung anpassen und schloss den Test nicht ab, da die zusätzlichen Hindernisse seine Leistung beeinträchtigten.

KI-Anpassungsfähigkeit in Aktion: Die Ergebnisse des Drohnen-Hindernisparcours

Die Studie zeigte, dass die neu entwickelten synaptischen Widerstandsschaltungen der Ingenieure effiziente und adaptive Super-Turing-KI-Systeme unterstützen, die in unsicheren und dynamischen realen Umgebungen navigieren können. Sie untersuchten, warum nur der Mensch und die Synstor-betriebene Drohne den Kurs absolvieren konnten. Ihr Erfolg war auf ihre Fähigkeit zurückzuführen, sich spontan anzupassen. 

Warum Synstor-Schaltkreise einen großen Fortschritt für nachhaltige KI bedeuten

Ein Synstor-Schaltkreis-KI-System könnte dem Markt mehrere Vorteile bringen. Zum einen eröffnen sie die Möglichkeit für fortschrittlichere und leistungsfähigere KI-Optionen. Diese Protokolle ermöglichen gleichzeitige Inferenz und Lernen in Echtzeit und bilden damit einen Meilenstein für KI-Protokolle der nächsten Generation. 

Umweltfreundlich: Die KI-Systemarchitektur des Ingenieurs verbraucht nur einen Bruchteil des Stroms, der für die Ausführung herkömmlicher KI-Protokolle benötigt wird. Dieser verbesserte Stromverbrauch ermöglicht es den Synstor-KI-Systemen, den Titel der umweltfreundlichsten KI-Architektur für Daten zu beanspruchen. Mit der steigenden Nachfrage nach diesen Diensten wird auch der Bedarf an nachhaltigen Optionen steigen. 

Effizienz: Den Ingenieuren gelang es, ein System zu entwickeln, das das menschliche Gehirn nachahmt. Ihr Ansatz reduziert den Energiebedarf von KI-Systemen insgesamt und ermöglicht es KI-Systemen, ihren Stromverbrauch bei der Ausführung oder beim Training neuer Modelle zu maximieren. 

Anpassungsfähigkeit: Einer der Hauptvorteile dieser KI-Struktur ist ihre Anpassungsfähigkeit. KI-Systeme müssen schneller und anpassungsfähiger werden, um die wachsende Zahl an Aufgaben bewältigen zu können. Von der Steuerung Ihres Elektroautos bis hin zur Auswahl der Musikwiedergabe werden zukünftige KI-Systeme ihre Umgebung in ihre Verarbeitungsprozesse einbeziehen. 

Zukünftige Anwendungen: Gehirnähnliche KI in Autos, Wearables und Militärtechnik

Das vom Gehirn inspirierte KI-System hat das Potenzial, die Branche zu revolutionieren. Es bietet Ingenieuren die Aussicht auf eine nachhaltige KI-Entwicklung und könnte die Entwicklung fortschrittlicher autonomer Systeme von morgen unterstützen. Diese Technologie wird auch in der Robotik, bei Wearables und im medizinischen Bereich Einzug halten.  

Fortgeschrittenes Computing: Es ist zu erwarten, dass diese Technologie in Kürze in fortschrittlichen KI-Systemen zum Einsatz kommt. Der geringere Stromverbrauch senkt die Betriebskosten dieser Systeme und macht sie zu einer attraktiven Alternative zum Status quo. Darüber hinaus wird die Weiterentwicklung des Synstor-Chipdesigns die weitere Verbreitung vorantreiben. 

Militär: Das Militär ist einer der größten Befürworter von KI. KI-Systeme können bei der Verfolgung, Zielerfassung, Planung und Logistik helfen und so die operativen Fähigkeiten jeder Armee, die sie nutzt, verbessern. Zukünftig werden KI-Systeme fortschrittliche Loitering-Munition und Drohnen antreiben und Planern helfen, die Lage im Blick zu behalten. 

Autonome Fahrzeuge: Ein zentrales Anwendungsszenario für fortschrittliche KI ist das Steuern autonomer Fahrzeuge. Der Traum vom vollautonomen Fahren hat sich nur langsam durchgesetzt, doch jüngste Fortschritte haben die Vision näher gerückt. Dieser jüngste KI-Durchbruch wird die Leistung verbessern und den Weg für fortschrittlichere autonome Fahrzeuge ebnen, die fliegen und mehr können. 

Diese Technologie wird eines Tages dazu beitragen, die Sicherheit in der Gesellschaft zu erhöhen und den Alltag zu erleichtern. Allerdings muss die Technologie noch einige Hürden überwinden, bevor sie sich durchsetzen kann. Trotz dieser Verzögerungen wird eine mögliche kommerzielle Nutzung innerhalb von fünf bis zehn Jahren erwartet, wobei kurzfristigere Anwendungen in spezialisierten KI-Aufgaben mit geringem Stromverbrauch möglich sind. 

Lernen Sie das Forschungsteam hinter diesem KI-Durchbruch kennen

Ingenieure der Fakultät für Computer- und Elektrotechnik der Texas A&M University und der University of California-Los Angeles arbeiteten zusammen, um diese Studie zu ermöglichen. Die Forschungsleitung übernahmen Jungmin Lee, Rahul Shenoy und Atharva Deo. 

Unterstützt wurden sie von einem Team von Ingenieuren, darunter Sun Yi, Dawei Gao, David Qiao, Mingjie Xu, Shiva Asapu, Zixuan Rong, Dhurva Nathan, Yong Hei, Dharma Paladugu, Jian-Guo Zheng, J. Joshua Yang, R. Stanley Williams, Qing Wu und Yong Chen. Die Studie wurde insbesondere vom Air Force Office of Scientific Research gefördert. 

 Der Geschäftswinkel: Wie NVIDIA und andere die neuromorphe KI vorantreiben

Das KI-Rennen ist eröffnet, und konkurrierende Unternehmen investieren Milliarden, um die Branche zu dominieren. Der relativ disruptive Charakter von KI eröffnet Unternehmen wie OpenAI neue Möglichkeiten, aus dem Nichts aufzutauchen und sich eine Spitzenposition im Markt zu sichern. Obwohl es schwierig ist, den nächsten neuen Player in der Branche vorherzusagen, ist leicht zu erkennen, wer den Markt in den letzten Jahren dominiert hat.  

NVIDIA Corporation

NVIDIA (NVDA + 0.11%) Das Unternehmen kam 1993 auf den Markt und hat seinen Sitz in Kalifornien. Der heute weltberühmte Hersteller von 3D-Grafikkarten war im Laufe der Jahre Pionier bei ASICs und anderen bahnbrechenden Designs. Diese Verbesserungen halfen dem Unternehmen, sich von einem Hersteller von Gaming-Grafikkarten zu einem der bekanntesten Namen im KI-Sektor zu entwickeln.

 Der Aufstieg von NVIDIA blieb nicht unbemerkt. Die Aktie verzeichnete ein deutliches Wachstum, und im Juni 2024 erreichte das Unternehmen eine Marktkapitalisierung von 3 Billionen US-Dollar. Heute ist NVIDIA führend im Bereich neuromorpher und Edge-KI-Hardware. Daher engagiert sich das Unternehmen weiterhin stark in der Entwicklung effizienter KI-Inferenz und von gehirninspirierten Architekturen. Wer eine zuverlässige und bewährte KI-Aktie sucht, sollte sich die Zeit nehmen, NVIDIA genauer zu untersuchen. 

Für einen genaueren Blick auf NVIDIA, stellen Sie sicher, Schauen Sie sich unseren Spotlight auf diesen Branchenriesen an.

Aktuelles zur NVIDIA Corporation

Die Zukunft der KI: Natürliche Intelligenz, künstlich entwickelt

Die Ingenieure dieser Studie haben ein neues Niveau der KI-Fähigkeit erschlossen. Ihr neues Chipdesign ermöglicht es der KI, schnellere und intelligentere Algorithmen zu entwickeln. Diese Systeme werden eines Tages nahezu alle Komponenten unseres Lebens antreiben. Diese Forschung zeigt bereits, wie Wissenschaftler von der Natur und dem menschlichen Körper inspiriert werden können, um Innovationen auf ein neues Niveau zu heben. 

Erfahren Sie mehr über andere coole KI-Projekte jetzt an.

Zitierte Studien:

^{1. Lee, J., Shenoy, R., Deo, A., Yi, S., Gao, D., Qiao, D., Xu, M., Asapu, S., Rong, Z., Nathan, D., Hei, Y., Paladugu, D., Zheng, J.-G., Yang, JJ, Williams, RS, Wu, Q., & Chen, Y. (2025). HfZrO-basierte synaptische Widerstandsschaltung für ein intelligentes Super-Turing-System. Science Advances, 11(9), eadr2082. https://doi.org/10.1126/sciadv.adr2082}