„Ein Reservoir kreativer Physik“
Neuromorphes Computing ahmt die Funktionsweise des Gehirns nach. Die neue „Physik in unserer Zeit“ stellt in zwei Artikeln spannende Ansätze hierzu vor.
Kathy Lüdge
Die Verwendung von Computern und künstlicher Intelligenz (KI) ist aus unserem alltäglichen Leben nicht mehr wegzudenken. Die aufwendig trainierten Large Language Modelle wie ChatGPT, Claude oder Gemini haben bereits die moderne Arbeitswelt und das Lernverhalten der Jugend revolutioniert. Viele der unter dem Begriff KI zusammengefassten Anwendungen haben das Potential, noch weiter in den Berufsalltag vieler Menschen vorzudringen und reguläre Aufgaben zu übernehmen. Sollten wir uns als Gesellschaft und als Wissenschaftler nun zurücklehnen? Müssen wir nur Rahmenbedingungen schaffen und die KI für uns arbeiten lassen?
Die Antwort ist ganz klar nein. Denn die zurzeit verwendeten Modelle sind unglaublich anspruchsvoll, was ihren Energiebedarf betrifft. Der KI-Hunger nach Strom, Wasser und Ressourcen birgt große weltwirtschaftliche Probleme. Im Vergleich dazu ist das menschliche Gehirn, also die menschliche Intelligenz, um mehrere Größenordnungen energieeffizienter und trotzdem in vielen Bereichen leistungsfähiger.
„Neuromorphes Computing“ ist ein Konzept, das an die Funktionsweise des menschlichen Gehirns angelehnt ist, ohne es im Detail imitieren zu wollen. Dabei sind zwei wesentliche Unterschiede zur herkömmlichen KI von großer Bedeutung. Zum einen sind die Bereiche für Speicher und Signalverarbeitung nicht örtlich getrennt, womit große Energiekosten für Datentransport zwischen den Bereichen wegfallen. Zum anderen forcieren neuromorphe Konzepte die Abkehr von digitaler Signalverarbeitung, das heißt, Information soll nicht in Form von Bits als 0 oder 1 vorliegen. Stattdessen soll sie wie im Gehirn als analoge Werte verarbeitet werden, beispielsweise als Stärke, Häufigkeit oder Dauer von Signalimpulsen. Das Autorenteam um Robert Kraneis stellt eine photonisch-elektronische Analogrechentechnik als Beispiel in diesem Heft vor.
Unter den vielen innovativen neuromorphen Computing-Konzepten ist das Reservoir-Computing ein vielversprechender Ansatz. Hier wird ein physikalisches System – ein Reservoir – genutzt, um Eingangsdaten ohne großen Trainingsaufwand zu verarbeiten. Das Training beschränkt sich auf die Auslesegewichte und dauert nicht monatelang wie bei großen KI-Modellen, sondern nur einige Minuten.
Weitere Nachrichten zum Thema
Der etwas andere Computer
Mit Licht und Schall rechnen
Neuronales Netz in einer Faser
Die eigentliche Arbeit zum Bau eines funktionellen neuronalen Netzwerkes wird hier an die Physik übergeben. Der Auswahl der Systeme sind dabei keine Grenzen gesetzt, und es kann die ganze Vielfalt der Physik abgedeckt werden: von optischen Resonatoren, magnetischen Schichtsystemen, memristiven Materialien und Quantensystemen bis hin zum Wassereimer ist alles möglich. Einzige Einschränkung ist, dass Daten auf das System übertragen werden können – etwa indem man einen Stein in den Wassereimer wirft – und dass die Antwort des Systems auf die Daten durch Messung beobachtet werden kann – zum Beispiel indem man Wasserhöhe an verschiedenen Stellen misst.
Die Freiheit in der Wahl des physikalischen Reservoirs eröffnet die Möglichkeit einer optimalen Anpassung an die zu verarbeitenden Daten. Während Wassereimer nicht den Computer der Zukunft bilden werden, sind beispielsweise zur Klassifizierung von optischen Signalen gerade optische Systeme, etwa Laser-Resonatoren, sehr geeignet. An Stellen, wo es um die Verarbeitung von elektrischen oder magnetischen Signalen geht, können die dynamischen Eigenschaften von memristiven oder magnetischen Bauelementen vorteilhaft genutzt werden. Das erklärt auch die große Breite an wissenschaftlichen Arbeiten zum Thema Reservoir-Computing, von denen Katrin und Helmut Schultheiß ein auf Magnonen basierendes System in diesem Heft vorstellen.
Der Gewinn im Trainingsaufwand ist natürlich – wie immer im Leben – nicht gratis und muss mit einer erhöhten Schwierigkeit und Sorgfalt bei der Wahl und der Optimierung des Reservoirs bezahlt werden. Es eröffnet aber auch unglaubliche Möglichkeiten für neue, kreative, von der Physik inspirierte Realisierungen neuromorpher Computer. Diese werden die existierende Technologie nicht als „One-suits-all“-Lösung ersetzen, aber bei speziellen Anwendungen zu großen Energie- und Zeiteinsparungen führen.
Weitere Infos
- Originalveröffentlichungen
H. Schultheiss & K. Schultheiss, Reservoir-Computer auf Basis von Magnonen: Maschinelles Lernen im reziproken Raum, Phys. unserer Zeit 57 (5), 202 (2026); DOI: 10.1002/piuz.70090
R. Kraneis, M. Müller, A. Waag & C. Werner, Photonisch-elektronische Analogrechentechnik: Photonen & Elektronen: ein Team für KI, Phys. unserer Zeit 57 (5), 210 (2026); DOI: 10.1002/piuz.70089 - September-Ausgabe von „Physik in unserer Zeit“
