Ein Forschungsteam des Zentrums für gehirninspirierte Computertechnologie der Universität Twente hat eine neue Methode demonstriert, die es elektronischen Materialien ermöglicht, sich auf maschinelles Lernen-ähnliche Weise anzupassen. Die in *Nature Communications* veröffentlichte Arbeit schlägt eine Methode des physikalischen Lernens vor, die keine Softwarealgorithmen wie die Backpropagation benötigt. Backpropagation, eine zentrale Optimierungstechnik der heutigen KI-Revolution, zeichnet sich durch hervorragende Leistung aus, ist aber extrem energieintensiv, während das menschliche Gehirn für ähnliche Aufgaben nur die Energie einer Glühbirne benötigt. Obwohl neuromorphe Hardware die Effizienz verbessern kann, behindern die Schwierigkeiten beim Training die Anwendung von Backpropagation-Algorithmen.
Die neue Methode des Twenter Teams, High-Order Gradient Extraction (HGE), benötigt keine Softwareoptimierung und kann den optimalen Betriebspunkt physikalischer neuronaler Netze direkt in der Hardware ermitteln. Obwohl diese Methode weiterhin externe Störungen erfordert, erfolgt der Optimierungsprozess innerhalb des Geräts, ohne auf digitale Computer und Backpropagation-Algorithmen zurückzugreifen. Dieser Durchbruch ermöglicht die unabhängige Optimierung physikalischer neuronaler Netze und dürfte die Entwicklung energieeffizienter, adaptiver Hardware fördern.
Professor Wilfred van der Weil, Co-Direktor von BRAINS, erklärte: „Dies eröffnet die Möglichkeit zur unabhängigen Optimierung physikalischer neuronaler Netze und ebnet den Weg für energieeffiziente, adaptive Hardware.“ Die potenziellen Anwendungen der HGE-Methode sind vielfältig und umfassen intelligente Sensoren mit der Fähigkeit zur sofortigen Anpassung sowie neuromorphe Computer für eine nachhaltige, energiearme Informationsverarbeitung. Diese Anwendungen tragen dazu bei, den Energieverbrauch von Systemen der künstlichen Intelligenz zu senken und ihre Anwendbarkeit in realen Szenarien zu verbessern.
Weitere Informationen: Marcus N. Boon et al., „Gradient Descent in Matter via Equal Difference Gradient Extraction“, *Nature Communications* (2025). Zeitschrifteninformationen: *Nature Communications*
