Künstliche Intelligenz (KI) und menschliches Denken mögen beide auf Elektrizität beruhen, aber hier enden die Ähnlichkeiten. Während KI auf Silizium- und Metallschaltkreisen basiert, entsteht menschliche Kognition aus komplexem lebendigen Gewebe. Die grundlegenden architektonischen Unterschiede zwischen diesen Systemen tragen zur ineffizienten Natur von KI bei.
Aktuelle KI-Modelle laufen auf herkömmlichen Computern, die Informationen in separaten Komponenten speichern und berechnen, was zu einem hohen Energieverbrauch führt. Tatsächlich machen Rechenzentren allein einen erheblichen Teil des weltweiten Stromverbrauchs aus. Wissenschaftler haben jedoch schon lange versucht, Geräte und Materialien zu entwickeln, die die rechnerische Effizienz des Gehirns nachahmen können.
Ein Durchbruch eines Forscherteams unter der Leitung von Mark Hersam an der Northwestern University bringt uns diesem Ziel näher. Sie haben den Transistor, das fundamentale Bauelement der elektronischen Schaltkreise, umgestaltet, um mehr wie ein Neuron zu funktionieren. Durch die Integration von Speicherung und Verarbeitung reduzieren diese neuen moiré synaptischen Transistoren den Energieverbrauch und ermöglichen es KI-Systemen, über einfache Mustererkennung hinauszugehen.
Um dies zu erreichen, wandten sich die Forscher zweidimensionalen Materialien mit einzigartigen atomaren Anordnungen zu, die faszinierende Muster namens Moiré-Superstrukturen erzeugen. Diese Materialien ermöglichen eine präzise Steuerung des elektrischen Stromflusses und können aufgrund ihrer besonderen quantenmechanischen Eigenschaften Daten ohne kontinuierliche Stromversorgung speichern.
Im Gegensatz zu früheren Versuchen mit Moiré-Transistoren, die nur bei extrem niedrigen Temperaturen funktionierten, arbeitet dieses neue Gerät bei Raumtemperatur und verbraucht 20-mal weniger Energie. Obwohl seine Geschwindigkeit noch nicht vollständig getestet wurde, lässt das integrierte Design darauf schließen, dass es schneller und energieeffizienter als die traditionelle Rechenarchitektur sein wird.
Das ultimative Ziel dieser Forschung ist es, KI-Modelle mehr wie das menschliche Gehirn zu machen. Diese gehirnähnlichen Schaltungen können aus Daten lernen, Verbindungen herstellen, Muster erkennen und Assoziationen herstellen. Diese Fähigkeit, bekannt als assoziatives Lernen, ist für herkömmliche KI-Modelle mit separaten Speicher- und Verarbeitungskomponenten derzeit eine Herausforderung.
Durch die Nutzung der neuen gehirnähnlichen Schaltkreise können KI-Modelle effektiver zwischen Signal und Rauschen unterscheiden und damit komplexe Aufgaben bewältigen. Beispielsweise kann diese Technologie in selbstfahrenden Fahrzeugen AI-Piloten helfen, schwierige Straßenverhältnisse zu navigieren und zwischen echten Hindernissen und irrelevante Objekten zu unterscheiden.
Obwohl noch Arbeit geleistet werden muss, um skalierbare Herstellungsmethoden für diese neuromorphen Transistoren zu entwickeln, ist das Potenzial für effizientere und leistungsstärkere KI-Systeme vielversprechend. Durch die Brücke zwischen KI und menschlicher Kognition eröffnet diese Forschung aufregende Möglichkeiten für die Zukunft der künstlichen Intelligenz.
Künstliche Intelligenz (KI) bezieht sich auf die Fähigkeit von Maschinen oder Computersystemen, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern, wie z.B. Lernen, Problemlösung und Entscheidungsfindung.
Menschliche Kognition bezieht sich auf die geistigen Prozesse und Fähigkeiten, die es Menschen ermöglichen, Wissen zu erwerben, zu verstehen, wahrzunehmen, zu denken und zu kommunizieren.
Silizium- und Metallschaltkreise bezieht sich auf die Materialien und Komponenten, die in herkömmlichen Computern verwendet werden, um elektrische Signale zu verarbeiten und zu übertragen.
Architektur in diesem Kontext bezieht sich auf die Struktur und Organisation eines Systems oder Geräts.
Energieverbrauch bezieht sich auf die Menge an Energie, die von einem System oder Gerät für seine Funktionen verwendet wird.
Rechenzentren sind Einrichtungen, die Computersysteme und -ausrüstung beherbergen, einschließlich Servern und Speicher, um große Datenmengen zu speichern, zu verarbeiten und zu verteilen.
Moiré-Superstrukturen sind faszinierende Muster, die durch die einzigartigen atomaren Anordnungen bestimmter zweidimensionaler Materialien erzeugt werden.
Quanteneigenschaften beziehen sich auf die Eigenschaften und Verhaltensweisen von Materie und Energie auf atomarer und subatomarer Ebene, wie sie von den Prinzipien der Quantenmechanik beschrieben werden.
Mustererkennung bezieht sich auf die Fähigkeit eines Systems oder Geräts, Muster oder Merkmale in Daten zu identifizieren und zu unterscheiden.
Ein Transistor ist ein grundlegendes Bauelement der elektronischen Schaltkreise, das den Fluss von elektrischem Strom kontrolliert und Signale verstärkt oder umschaltet.
Speicher in diesem Zusammenhang bezieht sich auf die Fähigkeit eines Systems oder Geräts, Informationen zu speichern und abzurufen.
Verarbeitung bezieht sich auf die Manipulation und Berechnung von Daten oder Informationen durch ein System oder Gerät.
Assoziatives Lernen bezieht sich auf die Fähigkeit eines Systems oder Geräts, Verbindungen und Assoziationen zwischen verschiedenen Konzepten oder Daten herzustellen.
Signal und Rauschen bezieht sich auf die Unterscheidung zwischen bedeutsamen Informationen (Signal) und irrelevanten oder unerwünschten Daten oder Störungen (Rauschen).
Skalierbare Herstellungsmethoden beziehen sich auf Prozesse und Techniken, die leicht erweitert oder angepasst werden können, um größere Mengen eines Produkts oder Geräts herzustellen.
Neuromorphe Transistoren sind Transistoren, die entwickelt wurden, um die Architektur und Funktionalität von Neuronen im menschlichen Gehirn nachzuahmen.
The source of the article is from the blog dk1250.com