IBM hat einen bio-inspirierten Chip entwickelt, der das Potenzial hat, KI umweltfreundlicher und energieeffizienter zu machen.
Da superstarke KI-Modelle wie ChatGPT in der Gesellschaft allgegenwärtig sind, haben große Tech-Konkurrenten wie Google, Microsoft, Meta und Start-ups wie Anthropic und Inflection begonnen, riesige Mengen an Rechenleistung zu horten.
Die zum Trainieren von KI benötigte Hardware ist sehr stromhungrig und trägt zu den bereits enormen Umweltauswirkungen von Rechenzentren.
Dies hat zu Forschungs- und Entwicklungsanstrengungen geführt, um innovative KI-Chips zu entwickeln, die schwere Arbeitslasten bei geringerem Stromverbrauch bewältigen können. Nvidias neueste GH2000-Chip hat bereits eine höhere Energieeffizienz als seine Vorgänger erreicht. Das Unternehmen behauptet, dass es Rechenzentren 12 Mal billiger macht und 20 Mal weniger Energie verbraucht.
IBM's neuer bio-inspirierter analoger Chip ist dem biologischen Gehirn nachempfunden und eignet sich für tragbare Arbeitsgeräte wie Autos, Telefone und Kameras.
Thanos Vasilopoulos, Wissenschaftler im IBM-Forschungslabor in Zürich, sagte der BBCIm Vergleich zu herkömmlichen Computern erreicht das menschliche Gehirn eine bemerkenswerte Leistung bei minimalem Stromverbrauch.
Die meisten bestehenden Chips sind digital und verwenden Binärwerte (0 und 1) zur Datenspeicherung. Der neue Chip von IBM unterscheidet sich davon, da er analoge Komponenten, so genannte Memristoren (Speicherwiderstände), verwendet, die unterschiedliche Zahlenwerte speichern können.
Diese analoge Natur der Memristoren spiegelt die synaptischen Funktionen wider. Es ist nicht der erste bio-inspirierte Chip - ein indisches Forscherteam hat erfolgreich eine im Jahr 2022 entworfen.
Professor. Ferrante Neri von der University of Surrey erklärte: "Miteinander verbundene Memristoren können ein Netzwerk bilden, das ein biologisches Gehirn widerspiegelt."
Obwohl der IBM-Chip in erster Linie analog ist, enthält er auch einige digitale Komponenten, die die Kompatibilität mit aktuellen KI-Systemen gewährleisten.
Diese leichten Chips wären besonders nützlich für Gadgets, Fahrzeuge und IoT-Hardware.
IBMs neuer analoger Chip für Deep Learning
Die Chips von IBM reduzieren den Stromverbrauch und bieten gleichzeitig eine beeindruckende Leistung in einem leichten Paket.
Diese Chips sind dem menschlichen Gehirn nachempfunden, das etwa so viel Watt verbraucht wie eine Glühbirne.
Hier sind die wichtigsten Punkte:
- Aktuelle Einschränkungen der AI-Hardware: Die meisten KI-Architekturen trennen den Speicher von den Verarbeitungseinheiten, was bedeutet, dass sie ständig Daten zwischen den beiden austauschen müssen, was die Berechnungen verlangsamt und die Energieeffizienz beeinträchtigt.
- Analoge Chips: In Anlehnung an die Funktionen des menschlichen Gehirns verwendet IBM einen Phasenänderungsspeicher (PCM), der seinen Zustand als ein Spektrum von Werten und nicht als 0 und 1 registriert. Dadurch wird der Bedarf an Datenübertragung zwischen Speicher und Prozessor reduziert.
- Der technische Teil: Das Design von IBM verfügt über 64 analoge In-Memory-Rechenkerne, von denen jeder ein 256 x 256 großes synaptisches Array enthält. Jeder Kern kann eine Modellschicht eines tiefen neuronalen Netzes (DNN) berechnen. Eine zentrale digitale Verarbeitungseinheit auf dem Chip führt weitere komplexe Operationen durch.
- Leistungsmetriken: Der Chip erreichte eine hervorragende Genauigkeit von 92,81% bei einem Computer-Vision (CV)-Benchmark-Test. Er ist mehr als 15-mal effizienter als mehrere bestehende Chips.
Sobald sie verfeinert sind, werden diese biologisch inspirierten Chips digitale Chips in hybriden Architekturen begleiten. Dies wird leichtgewichtige, energieeffiziente KI-Systeme ermöglichen, die auch schwere Arbeitslasten bewältigen können.
Mit der Zeit werden diese Chips leicht genug sein, um in intelligenten autonomen Technologien eingesetzt zu werden und möglicherweise eine neue Generation von Robotern hervorzubringen, die laufen, sprechen und mit ihrer Umgebung interagieren, ohne übermäßig viel Strom zu verbrauchen.
