- Thermodynamisches Rechnen nutzt physikalische Energieflüsse anstelle fester digitaler Schaltkreise, um KI-Berechnungen durchzuführen
- Bilddaten können durch winzige Schwankungen in den Komponenten des Computers auf natürliche Weise beeinträchtigt werden
- Die Skalierung auf eine komplexe Bilderzeugung erfordert völlig neue Hardwaredesigns und -ansätze
Wissenschaftler erforschen eine neue Art der Datenverarbeitung, die natürliche Energieflüsse nutzt, um KI-Aufgaben möglicherweise effizienter auszuführen.
Im Gegensatz zu herkömmlichen digitalen Computern, die auf festen Schaltkreisen und exakten Berechnungen basieren, arbeitet das thermodynamische Rechnen mit Zufälligkeit, Rauschen und physikalischen Wechselwirkungen, um Probleme zu lösen.
Die Idee ist, dass diese Methode es KI-Tools, einschließlich Bildbearbeitungsprogrammen, ermöglichen könnte, mit weitaus weniger Strom als aktuelle Systeme zu laufen.
So funktioniert die thermodynamische Bilderzeugung
Der Prozess der thermodynamischen Bilderzeugung ist im Vergleich zum normalen Rechnen ungewöhnlich. Es beginnt damit, dass der Computer eine Reihe von Bildern empfängt, die er dann „abbauen“ kann.
In diesem Zusammenhang bedeutet „verschlechtern“ nicht, dass die Bilder gelöscht oder beschädigt werden; Dies bedeutet, dass sich die Daten in den Bildern aufgrund geringfügiger Schwankungen im System auf natürliche Weise ausbreiten oder ändern dürfen.
Diese Schwankungen werden durch die physikalische Energie verursacht, die durch die Komponenten des Computers fließt, beispielsweise durch winzige Ströme und Vibrationen.
Mit der Zeit führen diese Wechselwirkungen dazu, dass die Bilder unscharf oder verrauscht werden, wodurch eine Art natürliche Störung entsteht – dann misst das System die Wahrscheinlichkeit, diese Störung umzukehren, und passt seine internen Einstellungen an, um eine Rekonstruktion wahrscheinlicher zu machen.
Indem dieser Vorgang mehrmals ausgeführt wird, stellt der Computer nach und nach die Originalbilder wieder her, ohne der Schritt-für-Schritt-Logik herkömmlicher Computer zu folgen.
Stephen Whitelam, ein Forscher am Lawrence Berkeley National Laboratory, hat gezeigt, dass thermodynamische Berechnungen einfache Bilder wie handgeschriebene Ziffern erzeugen können.
Diese Ausgaben sind weitaus einfacher als die von KI-Bildgeneratoren wie DALL-E oder Nano Banana Pro von Google Gemini.
Dennoch beweist die Forschung, dass physische Systeme grundlegende maschinelle Lernaufgaben ausführen können, was eine neue Art und Weise zeigt, wie KI funktionieren könnte.
Die Skalierung dieses Ansatzes zur Erstellung hochwertiger, voll funktionsfähiger Bilder erfordert jedoch neue Arten von Hardware.
Befürworter behaupten, dass thermodynamisches Rechnen den Energiebedarf für die KI-Bilderzeugung im Vergleich zu Standardcomputern um den Faktor zehn Milliarden reduzieren könnte.
Im Erfolgsfall würde dies den Energieverbrauch von Rechenzentren, die KI-Modelle betreiben, erheblich reduzieren.
Obwohl der erste thermodynamische Rechenchip hergestellt wurde, sind aktuelle Prototypen einfach und können nicht mit gängigen KI-Tools mithalten.
Forscher betonen, dass das Konzept auf Grundprinzipien beschränkt ist und praktische Umsetzungen Durchbrüche sowohl bei der Hardware als auch beim Computerdesign erfordern.
„Diese Forschung legt nahe, dass es möglich ist, Hardware für bestimmte Arten des maschinellen Lernens herzustellen … mit erheblich geringeren Energiekosten als derzeit“, sagte Whitelam IEEE.
„Wir wissen noch nicht, wie man einen thermodynamischen Computer entwirft, der so gut in der Bilderzeugung ist wie beispielsweise DALL-E … es wird noch notwendig sein, herauszufinden, wie man die Hardware dafür baut.“
Folgen Sie TechRadar auf Google News Und Fügen Sie uns als bevorzugte Quelle hinzu um unsere Expertennachrichten, Rezensionen und Meinungen in Ihren Feeds zu erhalten. Klicken Sie unbedingt auf die Schaltfläche „Folgen“!
Und natürlich können Sie das auch Folgen Sie TechRadar auf TikTok für Neuigkeiten, Rezensionen, Unboxings in Videoform und erhalten Sie regelmäßige Updates von uns WhatsApp zu.
