Der Algorithmus, der tiefe physische neuronale Netze trainiert

Von der KI (DALL-E 3) erzeugtes Konzeptbild, das Lichtwellen darstellt, die durch ein physikalisches System laufen. EPFL/LWE CC-BY-SA 4. Wissenschaftler der EPFL haben einen Algorithmus entwickelt, der ein analoges neuronales Netz mit der gleichen Genauigkeit wie ein digitales Netz trainieren kann. Dies ebnet den Weg für die Entwicklung von weniger energieintensiver Hardware, die dem Deep Learning gewidmet ist. Aufgrund ihrer Fähigkeit, große Datenmengen durch algorithmisches "Lernen" statt durch herkömmliche Programmierung zu verarbeiten, erwecken tiefe neuronale Netze wie Chat-GPT oft den Eindruck, ein unbegrenztes Potenzial zu besitzen. Doch die zunehmende Reichweite und Wirkung dieser Systeme ging mit einer Zunahme ihrer Größe, Komplexität und ihres Energieverbrauchs einher, wobei letzterer hoch genug ist, um Bedenken hinsichtlich ihres Beitrags zu den weltweiten Kohlenstoffemissionen zu wecken. Während man beim Übergang von der analogen zur digitalen Welt oft an den technologischen Fortschritt denkt, suchen Fachleute nun nach Antworten auf dieses Problem in physikalischen Alternativen zu digitalen tiefen neuronalen Netzen.