Bestehende Computersysteme haben getrennte Datenverarbeitungs- und Speichergeräte, was sie für die Verarbeitung komplexer Daten wie KI ineffizient macht. Ein KAIST-Forschungsteam hat ein integriertes System auf Memristor-Basis entwickelt, das der Art und Weise ähnelt, wie unser Gehirn Informationen verarbeitet. Es ist nun bereit für den Einsatz in verschiedenen Geräten, darunter intelligente Sicherheitskameras, die verdächtige Aktivitäten sofort erkennen können, ohne sich auf entfernte Cloud-Server verlassen zu müssen, und medizinische Geräte, mit denen es helfen kann, Gesundheitsdaten in Echtzeit zu analysieren.
Das KAIST (Präsident Kwang Hyung Lee) gab am 17. Januar bekannt, dass das gemeinsame Forschungsteam von Professor Shinhyun Choi und Professor Young-Gyu Yoon von der Fakultät für Elektrotechnik einen neuromorphen, halbleiterbasierten ultrakleinen Computerchip der nächsten Generation entwickelt hat, der selbständig lernen und Fehler korrigieren kann.
Das Besondere an diesem Computerchip ist, dass er lernen und Fehler korrigieren kann, die aufgrund von nicht idealen Eigenschaften auftreten, die bei bestehenden neuromorphen Geräten schwer zu lösen waren. Bei der Verarbeitung eines Videostroms lernt der Chip beispielsweise, ein sich bewegendes Objekt automatisch vom Hintergrund zu trennen, und er wird mit der Zeit immer besser in dieser Aufgabe.
Diese selbstlernende Fähigkeit wurde durch das Erreichen einer Genauigkeit bewiesen, die mit idealen Computersimulationen bei der Echtzeit-Bildverarbeitung vergleichbar ist. Die wichtigste Errungenschaft des Forscherteams besteht darin, dass es ein System fertiggestellt hat, das über die Entwicklung von gehirnähnlichen Komponenten hinaus sowohl zuverlässig als auch praktisch ist.
Das Forschungsteam hat das weltweit erste integrierte System auf Memristor-Basis entwickelt, das sich an unmittelbare Umweltveränderungen anpassen kann, und hat eine innovative Lösung vorgestellt, die die Grenzen der bestehenden Technologie überwindet.
Das Herzstück dieser Innovation ist ein Halbleiterbauelement der nächsten Generation, ein so genannter Memristor*. Die variablen Widerstandseigenschaften dieses Bauelements können die Rolle der Synapsen in neuronalen Netzen ersetzen, und durch seine Verwendung können Datenspeicherung und Berechnung gleichzeitig durchgeführt werden, genau wie unsere Gehirnzellen.
*Memristor: Ein zusammengesetztes Wort aus Speicher und Widerstand, ein elektrisches Gerät der nächsten Generation, dessen Widerstandswert durch die Menge und Richtung der Ladung bestimmt wird, die in der Vergangenheit zwischen den beiden Anschlüssen geflossen ist.
Das Forscherteam entwarf einen äußerst zuverlässigen Memristor, der Widerstandsänderungen präzise steuern kann, und entwickelte ein effizientes System, das durch Selbstlernen komplexe Kompensationsprozesse ausschließt. Diese Studie ist insofern von Bedeutung, als sie die Möglichkeit der Kommerzialisierung eines neuromorphen, halbleiterbasierten integrierten Systems der nächsten Generation, das Lernen und Inferenz in Echtzeit unterstützt, experimentell verifiziert.
Diese Technologie wird die Art und Weise, wie künstliche Intelligenz in alltäglichen Geräten eingesetzt wird, revolutionieren. Sie ermöglicht es, KI-Aufgaben lokal zu verarbeiten, ohne auf entfernte Cloud-Server angewiesen zu sein, was sie schneller, datenschutzfreundlicher und energieeffizienter macht.
„Dieses System ist wie ein intelligenter Arbeitsplatz, an dem alles in Reichweite ist, anstatt zwischen Schreibtischen und Aktenschränken hin und her zu gehen“, erklärten die KAIST-Forscher Hakcheon Jeong und Seungjae Han, die die Entwicklung dieser Technologie leiteten. „Das ist vergleichbar mit der Art und Weise, wie unser Gehirn Informationen verarbeitet, wo alles auf einmal und effizient an einer Stelle verarbeitet wird.“
Hakcheon Jeong und Seungjae Han, Studenten des integrierten Master- und Promotionsprogramms an der KAIST School of Electrical Engineering, waren die Erstautoren der Studie, deren Ergebnisse am 8. Januar 2025 online in der internationalen Fachzeitschrift Nature Electronics veröffentlicht wurden.
Original Paper:
