Trend-NEWS

Unter Spezialhardware für künstliche Intelligenz (KI) wird Computerhardware verstanden, die speziell für die Nutzung von KI-Anwendungen entworfen wurde. Im Vergleich zu herkömmlicher Computerhardware kann derartige Spezialhardware nicht nur die Ausführung von KI-Verfahren beschleunigen, sondern sie ermöglicht auch kompaktere und energieeffizientere Systeme. Auf diese Weise erlaubt sie unter anderem eine Verarbeitung von deutlich größeren Datenmengen und eine verbesserte Nutzung von KI bei mobilen Geräten. Wichtige aktuelle Ansätze auf dem Gebiet der KI-Spezialhardware sind Spezialhardware für Deep Learning, neuromorphe Hardware und in gewisser Weise auch Quantencomputer.

Die aktuellen Fortschritte im KI-Bereich wurden ganz wesentlich durch den Einsatz von Verfahren des Deep Learning erzielt. Deep Learning basiert auf sogenannten künstlichen neuronalen Netzwerken (KNN). KNN sind in einem gewissen Maße durch den Aufbau des Gehirns inspiriert und bestehen aus einem Netzwerk aus künstlichen Neuronen, die in unterschiedlichen Schichten angeordnet sind. Im Rahmen von Deep Learning werden dabei KNN mit vielen Schichten von Neuronen genutzt. Die für Deep Learning notwendigen Berechnungen lassen sich sehr gut parallelisieren, d. h. in voneinander unabhängige Teilberechnungen aufteilen, die dann gleichzeitig ausgeführt werden können. Deshalb werden hierfür aufgrund ihrer Spezialisierung auf derartige parallele Berechnungen häufig Grafikprozessoren verwendet. Mit Hilfe von Spezialhardware für Deep Learning sind allerdings Leistungssteigerungen gegenüber Grafikprozessoren erzielbar, da die entsprechenden Schaltkreise noch stärker auf diese Anwendung ausgerichtet sind.

Neuromorphe Hardware geht gewissermaßen noch einen Schritt weiter als Spezialhardware für Deep Learning, da sie typischerweise darauf abzielt, das Gehirn realistischer als bei Deep Learning nachzubilden. Eine wichtige Motivation für neuromorphe Hardware stellt die hohe Energieeffizienz des menschlichen Gehirns dar, das trotz seiner herausragenden kognitiven Fähigkeiten nur einen Energieverbrauch von ungefähr 20 Watt aufweist. Die Grundlage von neuromorpher Hardware bilden üblicherweise sogenannte Spiking Neural Networks (SNN). Diese werden auch als KNN der dritten Generation bezeichnet, während Deep Learning auf KNN der zweiten Generation basiert. Im Vergleich zu den bei Deep Learning eingesetzten KNN sind SNN biologisch realistischer, da sie den Informationsaustausch zwischen den Neuronen im Gehirn auf der Grundlage von elektrischen Impulsen, die Aktionspotentiale oder Spikes genannt werden, nachbilden. Diese im Vergleich zu Deep Learning realistischere Nachbildung stellt einen möglichen Ansatz dar, um Verbesserungen gegenüber Deep Learning zu erzielen, z. B. einen geringeren Energieverbrauch.

Quantencomputer können ebenfalls als eine Art von Spezialhardware für KI angesehen werden, da mit ihrer Hilfe nur in bestimmten Anwendungsfällen, z. B. im KI-Bereich, Geschwindigkeitsvorteile gegenüber klassischen Computern erzielt werden könnten. Die Grundlage hierfür bildet ihre Informationsverarbeitung auf der Basis von quantenphysikalischen Phänomenen, die anstatt klassischer Bits sogenannte Quantenbits (Qubits) nutzt. Während ein klassisches Bit zu jedem Zeitpunkt entweder den Wert Null oder Eins hat, kann ein Qubit gemäß der Quantenphysik beide Zustände gleichzeitig annehmen. Qubits lassen sich physikalisch unter anderem auf der Basis von geladenen Atomen (Ionen), neutralen Atomen, Photonen oder auf der Grundlage der Supraleitung verwirklichen.

In allen hier genannten Bereichen von KI-Spezialhardware gibt es bereits entsprechende Hardware. Erste Varianten von Spezialhardware für Deep Learning werden dabei schon kommerziell genutzt. Dagegen befinden sich neuromorphe Hardware und der Einsatz von Quantencomputern im KI-Bereich noch im Forschungsstadium. Die Forschung auf dem Gebiet der Quantencomputer ist jedoch im Vergleich zu den Anstrengungen bei neuromorpher Hardware erheblich weniger weit fortgeschritten.