Jenseits des Digitalen: Analoger Chip für energieeffiziente KI

Der unaufhaltsame Fortschritt im Bereich der KI hat seinen Preis: einen sprunghaften Anstieg des Energieverbrauchs. Das Trainieren und Ausführen großer KI-Modelle auf herkömmlicher digitaler Hardware, die auf der jahrzehntealten Von-Neumann-Architektur basiert, erfordert ein ständiges Hin- und Herschieben von Daten zwischen separaten Verarbeitungseinheiten und Speicherbänken. Diese Datenbewegung erzeugt einen erheblichen Engpass und verschwendet sowohl Zeit als auch wertvolle Energie. Der neue Chip von IBM geht dies frontal an, indem er einen Ansatz des analogen In-Memory-Computing verfolgt.

Anstatt Informationen als diskrete 0en und 1en (digital) darzustellen, verwendet analoges Computing kontinuierliche physikalische Größen – in diesem Fall die elektrische Leitfähigkeit von Speicherzellen – zur Darstellung von Daten, ähnlich wie die unterschiedlichen Stärken von Verbindungen (Synapsen) zwischen Neuronen im Gehirn. Entscheidend ist, dass die Berechnungen direkt dort stattfinden, wo die Daten gespeichert sind, wodurch das energieintensive Verschieben von Daten entfällt. Dieser Chip verwendet Phasenwechsel-Speicher (PCM), eine Technologie, bei der winzige Zellen aus speziellem Material mithilfe von elektrischen Impulsen zwischen kristallinen (niedriger Widerstand) und amorphen (hoher Widerstand) Zuständen umgeschaltet werden können. Durch die präzise Steuerung dieser Widerstandswerte kann jede PCM-Zelle als künstliche Synapse fungieren und einen analogen Wert (ein synaptisches Gewicht) speichern, der für neuronale Netzwerkrechnungen entscheidend ist.

Dieser spezielle IBM-Chip integriert über 13 Millionen PCM-Synapsenzellen auf 64 analogen Rechenkernen. Diese Architektur ermöglicht die Implementierung umfangreicher neuronaler Netze direkt auf der Chip-Hardware. IBM gibt an, dass der Chip mit vortrainierten Modellen beladen werden kann, wodurch er für Inferenzaufgaben (Verwendung eines trainierten Modells zur Erstellung von Vorhersagen) bereit ist. Seine analoge Natur macht ihn besonders geeignet für die effiziente Verarbeitung von kontinuierlichen Echtzeit-Datenströmen. In Tests mit dem Standard-Benchmark für Bilderkennung CIFAR-10 erreichte der Chip eine beachtliche Genauigkeit von 92,81 %, was seine Leistungsfähigkeit demonstriert.

IBM-Forscher führten Inferenzexperimente durch, in denen sie den analogen Chip mit ähnlicher digitaler Hardware verglichen. Die Ergebnisse zeigten, dass der analoge Chip mit vergleichbarer Zuverlässigkeit arbeitete, aber schneller war und deutlich weniger Energie verbrauchte. Diese Kombination aus Geschwindigkeit und Effizienz ist der heilige Gral für viele KI-Anwendungen, insbesondere für solche, die außerhalb großer Rechenzentren eingesetzt werden.

Die potenziellen Anwendungen sind vielfältig. IBM sieht diese analogen KI-Chips in verschiedenen KI-Bereichen eingesetzt, darunter Mustererkennung, Signalverarbeitung und Aufgaben des maschinellen Lernens, insbesondere dort, wo der Energieverbrauch begrenzt ist, wie z. B. in Edge-Geräten, IoT-Sensoren, autonomen Fahrzeugen oder sogar tragbarer Technologie. Die Fähigkeit, komplexe KI-Aufgaben lokal mit minimalem Stromverbrauch auszuführen, könnte völlig neue Möglichkeiten eröffnen.

Obwohl vielversprechend, steht das analoge KI-Computing vor Herausforderungen. Die Aufrechterhaltung einer hohen Präzision mit analogen Werten kann schwieriger sein als mit digitalen Bits, und Systeme können anfälliger für Rauschen und Schwankungen in der Fertigung sein. Die Programmierung und Skalierung dieser analogen Systeme stellen ebenfalls andere Hürden dar als das ausgereifte digitale Ökosystem. Die potenziellen Vorteile treiben jedoch die intensive Forschung voran:

• Drastische Energieeinsparung: Durch die Minimierung der Datenbewegung bietet In-Memory-Computing einen grundlegenden Weg zur Senkung des Stromverbrauchs für KI.
• Potenzial für Geschwindigkeit: Die parallele Durchführung von Berechnungen direkt im Speicher kann bestimmte Arten von KI-Workloads beschleunigen.
• Kleinerer Footprint & Kosten?: Längerfristig könnten einfachere analoge Architekturen zu kleineren, potenziell billigeren Chips für bestimmte Funktionen führen.

Die Entwicklung von IBM stellt einen bedeutenden Schritt im aufkeimenden Bereich des analogen und neuromorphen Computings dar. Da die Grenzen der traditionellen digitalen Skalierung immer deutlicher werden und die Nachfrage nach leistungsstarker und dennoch effizienter KI wächst, könnte gehirninspirierte Hardware wie dieser PCM-basierte Chip für die nächste Welle der Innovation im Bereich der künstlichen Intelligenz entscheidend sein und KI allgegenwärtiger und nachhaltiger machen.