Neuronale Netzwerke, die aus Lichtwellen aufgebaut sind, könnten viel vielseitigere, skalierbarere und energieeffizientere KI-Systeme ermöglichen. Bild generiert von Dall-E 3 über ChatGPT. Traditionelle KI-Systeme, die auf tiefen künstlichen neuronalen Netzwerken basieren und in Computern laufen, erfordern enorme Mengen an Rechenressourcen für ihr Training, was Bedenken hinsichtlich ihrer Nachhaltigkeit aufwirft. Ein vielversprechender Ansatz zur Lösung dieses Problems ist die Entwicklung von physikalischen künstlichen neuronalen Netzwerken: Systeme, die die Struktur biologischer neuronaler Netzwerke genauer imitieren als ihre digitalen Gegenstücke, indem sie physikalische Wege verwenden, um Informationen fließen zu lassen, anstatt numerische Berechnungen über in einem Computer simulierten Neuronen zu verketten. Zum Beispiel werden in einer Unterklasse von physikalischen neuronalen Netzwerken, genannt “optische neuronale Netzwerke”, Lichtwellen ausgesendet und kombiniert, um verschiedene Berechnungen durchzuführen.
Diese physischen Systeme stehen jedoch vor einzigartigen Herausforderungen, insbesondere wenn es um ihr Training geht. Eine kürzlich in Nature veröffentlichte Studie (Xue et al Nature 632:280–286, 2024) präsentiert eine wirklich bahnbrechende Lösung, die die Physik nutzt, um diese Herausforderungen anzugehen. Dies ist ein Schritt in Richtung einer möglichen Zukunft, in der KI-Systeme auf physischen Systemen laufen und daher viel handlicher, skalierbarer und effizienter werden.