TU Graz entwickelt energiesparende KI nach Vorbild des Gehirns

Künstliche Intelligenz im großen Maßstab benötigt sowohl beim Training als auch im Einsatz erhebliche Mengen an Energie. Das menschliche Gehirn hingegen arbeitet mit lediglich rund 20 Watt und ist damit weitaus effizienter. An der TU Graz wird nun ein KI-Modell entwickelt, das sich an der Funktionsweise des Gehirns orientiert und flexibles Planen sowie das Lösen komplexer Probleme ermöglichen soll – bei geringerem Energiebedarf als mehrschichtige neuronale Netze oder große Sprachmodelle.

Gehirn als Vorbild für effiziente Algorithmen

Seit Jahrzehnten verfolgen Wissenschafter die Vision, KI-Systeme zu schaffen, die ähnlich wie ein menschliches Gehirn funktionieren. Denn das Gehirn lernt eigenständig und zeichnet sich vor allem durch seine Energieeffizienz aus. „Das Gehirn arbeitet völlig anders als heutige KI-Systeme“, erklärte Wolfgang Maass vom Institute of Machine Learning and Neural Computation der TU Graz. Dort wird daran gearbeitet, die Prinzipien der Informationsverarbeitung im Gehirn in Algorithmen zu übertragen.

Das Ziel ist eine KI, die flexibel planen, komplexe Probleme bewältigen und dabei energiesparend arbeiten kann. „Wir stehen noch relativ am Anfang unserer Entwicklung, aber unsere Arbeit zeigt, dass leistungsfähige KI nicht zwangsläufig riesige Rechenzentren und enormen Energieverbrauch benötigt“, betonte der Informatiker und Mathematiker. Der emeritierte Institutsvorstand ist als Key Researcher im Exzellenzcluster Bilateral AI tätig. Die aktuelle Studie entstand in Kooperation mit der Tsinghua University in Peking und dem Nationalen Forschungsrat Italiens.

Drei zentrale Mechanismen des Gehirns

Im Zentrum der Forschung steht die Frage, welche Datenstrukturen, Algorithmen und Lernmethoden es dem Gehirn erlauben, bei minimalem Energieaufwand kontinuierlich zu lernen und sich rasch an veränderte Bedingungen anzupassen. Aus Sicht von Wolfgang Maass und seinem Kollegen Yukun Yang nutzt das menschliche Gehirn beim Planen und Problemlösen drei zentrale Werkzeuge: kognitive Karten, stochastisches Rechnen und kompositionelle Codierung.

Das Gehirn erstellt sogenannte kognitive Karten, indem es Beziehungen zwischen verschieden abstrakten Objekten in geometrische Beziehungen zwischen neuronalen Codes umwandelt. Dieser Prozess sorgt ähnlich wie eine räumliche Karte für einen „Orientierungssinn“ beim Problemlösen. Darüber hinaus kann das Gehirn laufend virtuelle Zukunftsszenarien und Vorhersagen entwickeln (Stochastik) und Informationen sowie Handlungspläne in wiederverwendbare Komponenten zerlegen („kompositionelle Kodierung“), um unbekannte Probleme ohne Neutraining zu bewältigen.

Energieeffizienz durch schrittweises Vorgehen

Die Umsetzung dieser Mechanismen in Algorithmen ermöglicht es dem Grazer KI-Modell, sich mögliche Lösungsansätze für komplexe Probleme vorzustellen und auszuprobieren, ohne sie vollständig bis zur Lösung durchzurechnen. Daraus ergibt sich die Energieeffizienz. Weist ein zufällig gewählter Zwischenschritt in Richtung des angestrebten Ziels – hier gibt die kognitive Karte dem System die nötige Orientierung – wird dieser Weg weiterverfolgt. An seiner neuen Position prüft das System erneut verschiedene Handlungsoptionen und nähert sich so – wie ein Wanderer – Schritt für Schritt dem Ziel.

„Mit diesem Ansatz kann unser KI-Modell auch flexibel auf veränderte oder neue Situationen reagieren, ohne dass es dafür erneut trainiert werden muss“, betonte Yukun Yang.

Erfolgreiche Tests in drei Aufgabenbereichen

Die Fähigkeiten ihrer gehirninspirierten KI haben die Forschenden bereits anhand von drei Aufgaben erfolgreich getestet: die Navigation in der Zweidimensionalität, die Orientierung in einem abstrakten mehrdimensionalen Raum und das Zusammensetzen und Zerlegen einer aus verschiedenen Teilen bestehenden zweidimensionalen Silhouette. Die Ergebnisse wurden in der jüngsten Ausgabe von „Nature Machine Intelligence“ veröffentlicht.

Die Forschenden betonten, dass ihr Ansatz nicht in Konkurrenz zu aktuellen großen Sprachmodellen zu sehen sei, sondern als Grundlage für einen alternativen Ansatz bei bestimmten Anwendungen dienen kann. Langfristig könnten solche gehirninspirierten Systeme in Robotern, autonomen Fahrzeugen oder anderen Edge-Geräten eingesetzt werden, also überall dort, wo KI direkt vor Ort mit begrenzter Energie arbeiten muss.

Quelle: APA