Künstliche Intelligenz verbraucht enorme Mengen an Energie, da sie in Rechenzentren mit tausenden von GPUs betrieben wird, die jeweils bis zu 1000 Watt verbrauchen. Im Vergleich dazu benötigt ein modernes Smartphone weniger als 1 Watt. Diese Ineffizienz entsteht, weil GPUs mit Milliarden von Transistoren künstliche neuronale Netze simulieren müssen, was viel Energie für den Datentransport erfordert.
Das menschliche Gehirn ist bei vergleichbaren Aufgaben etwa eine Million Mal energieeffizienter als KI-Systeme. Um diese Effizienz zu erreichen, verfolgt die neuromorphe Technik einen radikal anderen Ansatz: Sie baut elektronische Komponenten, die wie Neuronen und Synapsen des Gehirns funktionieren. Bisherige Versuche scheiterten jedoch an der Zuverlässigkeit oder Skalierbarkeit.
Ein Forscherteam entdeckte zufällig, dass ein gewöhnlicher CMOS-Transistor als künstliches Neuron und Synapse fungieren kann. Diese Entdeckung könnte die Art und Weise, wie KI-Hardware gebaut wird, grundlegend verändern. Der Transistor nutzt einen verborgenen Bipolartransistor-Effekt, der ein nichtlineares Schaltverhalten ermöglicht, das dem eines biologischen Neurons ähnelt.
Im Gegensatz zu herkömmlichen digitalen Schaltungen, die lineare Strom-Spannungs-Kennlinien aufweisen, zeigt dieser Transistor eine Hysterese und einen Schwellwert, der an die Feuerrate von Neuronen erinnert. Dies ermöglicht eine direkte Nachbildung neuronaler Aktivität ohne aufwendige Simulationen.
Die Forscher glauben, dass diese Entdeckung den Weg zu extrem energieeffizienten KI-Chips ebnen könnte, die nur einen Bruchteil der heutigen Energie verbrauchen. Allerdings sind weitere Tests und Optimierungen nötig, bevor diese Technologie in großem Maßstab eingesetzt werden kann.
Zu dieser Nachricht fragen
Antworten per KI, nur aus dieser Nachricht.
Dies ist eine kurze KI-Zusammenfassung. Der vollständige Artikel ist an der Quelle.
Den vollständigen Artikel an der Quelle lesenspectrum.ieee.org