Schlaue kolloidale Teilchen

Eine künstliche Intelligenz mit neuronalen Netzen führt Berechnungen digital mithilfe von mikroelektronischen Chips durch. Physiker der Universität Leipzig haben nun eine Form des neuronalen Netzes realisiert, das nicht mit Strom, sondern mit aktiven kolloidalen Teilchen arbeitet. In ihrer Veröffentlichung geht es darum, diese Mikropartikel als physikalisches System für die künstliche Intelligenz und die Vorhersage von Zeitreihen zu benutzen.

„Unser neuronales Netzwerk gehört in den Bereich des Physical Reservoir Computing, in dem die Dynamik physikalischer Prozesse, wie Wasseroberflächen, Bakterien oder Tentakelmodelle von Kraken zur Berechnung herangezogen werden“, erläutert Frank Cichos, dessen Arbeitsgruppe das Netzwerk mit Unterstützung von ScaDS.AI entwickelt hat. Als eines von fünf neuen KI-Zentren in Deutschland wird das Forschungszentrum mit Standorten in Leipzig und Dresden seit 2019 im Rahmen der KI-Strategie des Bundes gefördert und durch das Bundesministerium für Bildung und Forschung sowie den Freistaat Sachsen unterstützt.

„Bei unserer Realisierung verwenden wir synthetische, selbstangetriebene Partikel, die nur wenige Mikrometer groß sind“, führt Cichos aus. „Wir zeigen, dass diese für Berechnungen genutzt werden können und stellen gleichzeitig eine Methode vor, die den Einfluss von störenden Effekten wie dem Rauschen in der Bewegung der kolloidalen Teilchen unterdrückt.“ Kolloidale Teilchen sind Partikel, die in ihrem Dispersionsmedium (Feststoff, Gas oder Flüssigkeit) fein verteilt sind.

Für ihre Experimente haben die Physiker kleine Einheiten aus Plastik- und Gold-Nanopartikeln entwickelt, bei denen ein Partikel angetrieben durch einen Laser um ein anderes Partikel rotiert. Diese Einheiten haben bestimmte physikalische Eigenschaften, die sie für das Reservoir Computing interessant machen. „Jede dieser Einheiten kann Informationen verarbeiten, und viele Einheiten bilden das sogenannte Reservoir. Wir verändern die Rotationsbewegung der Partikel im Reservoir durch ein Eingangssignal. Die daraus resultierende Drehung enthält das Ergebnis einer Berechnung“, erläutert Xiangzun Wang. „Um eine bestimmte Berechnung durchzuführen, muss das System trainiert werden, wie viele neuronale Netzwerke.“

Das störende Rauschen hat die Arbeitsgruppe besonders beschäftigt. „Da unser System extrem kleine Partikel in Wasser enthält, ist das Reservoir starkem Rauschen ausgesetzt, ähnlich dem Rauschen, dem alle Moleküle in einem Gehirn unterliegen“, berichtet Professor Cichos. „Dieses Rauschen, die Brownsche Bewegung, stört die Funktion des Reservoir-Computers stark und erfordert in der Regel ein sehr großes Reservoir, um Abhilfe zu schaffen. In unserer Arbeit haben wir herausgefunden, dass die Nutzung vergangener Zustände des Reservoirs die Computerleistung verbessern kann, sodass kleinere Reservoirs für bestimmte Berechnungen unter verrauschten Bedingungen verwendet werden können.“ 

Somit habe man nicht nur einen Beitrag geleistet im Feld der Informationsverarbeitung mit aktiver Materie, sondern zugleich eine Methode entwickelt, die mittels Rauschminderung für eine Optimierung des Reservoir Computing sorgen könne.

U. Leipzig / DE