Stanford-Physiker bauen Atom-Photonen-Netzwerk: Siebenmal mehr Speicher als klassische KI-Modelle

Ein Team um den Stanford-Physiker Benjamin Lev hat ein Netzwerk aus ultrakalten Atomen und Photonen gebaut, das als assoziativer Speicher fungiert und bis zu siebenmal mehr Erinnerungen speichern kann als das klassische neuronale Netzwerkmodell, das zu einem Nobelpreis beigetragen hat. Die am 3. September in der Fachzeitschrift Science veröffentlichten Ergebnisse weisen den Weg in eine Zukunft, in der KI-Hardware mit weitaus weniger Ressourcen lernen und sich erinnern könnte.eurekalert+1

Vom Hopfield-Netzwerk zum Spinglas

Die Arbeit baut auf dem Hopfield-Netzwerk auf, einem 1982 eingeführten mathematischen Modell, das zeigte, wie ein System interagierender Spins Erinnerungen aus unvollständigen oder fehlerhaften Eingaben speichern und abrufen kann. John Hopfield erhielt für diesen grundlegenden Beitrag, der den Weg für moderne große Sprachmodelle ebnete, den Nobelpreis für Physik 2024. Doch Hopfield-Netzwerke stoßen an ihre Grenzen: Überlädt man sie mit zu vielen Erinnerungen, bricht das System in einen ungeordneten Spinglas-Zustand zusammen, in dem der Abruf fehlschlägt.phys+1

Levs Gruppe nutzte diese Einschränkung als Vorteil. Mithilfe von Bose-Einstein-Kondensaten, Clustern von jeweils rund 10.000 Atomen, die nahe dem absoluten Nullpunkt gekühlt wurden und sich wie einzelne "Superatome" verhalten, platzierten die Forschenden bis zu 20 spins in einem optischen Resonator, der aus zwei gekrümmten Spiegeln besteht. Photonen, die tausende Male zwischen den Spiegeln hin- und herreflektiert wurden, erzeugten All-to-All-Verbindungen zwischen den Spins und ahmten so Synapsen in einem biologischen Gehirn nach.arxiv+1

Siebenfache Kapazität

In einem Netzwerk mit 16 Spins rief das quantenoptische Spinglas im Durchschnitt etwa 12 Erinnerungen ab, verglichen mit rund 3,6 bei einem gleich großen Hopfield-Netzwerk. Als die Forschenden die Atomfallen lockerten, um polaronische Deformationen, eine sich selbst verstärkende Spin-Bewegungs-Kopplung, zu verstärken, stieg die Kapazität auf 25 Erinnerungen: eine siebenfache Verbesserung gegenüber dem Hopfield-Limit.science+1

Das System zeigte zudem eine Kurzzeitplastizität: Durch Photonen vermittelte Kräfte veranlassten die Atome, ihre Position zu verändern, wodurch die Verbindungen des Netzwerks dynamisch neu verdrahtet wurden. Diesen Prozess vergleichen die Forschenden mit der synaptischen Plastizität im Gehirn.eurekalert+1

Frühes Stadium, große Ambitionen

Die Apparatur arbeitet derzeit in einer Vakuumkammer bei kryogenen Temperaturen, was einen praktischen Einsatz in weite Ferne rückt. Lev räumte ein, dass sich die Forschung noch in der Phase des Machbarkeitsnachweises befindet, betonte jedoch, dass sein Team bereits daran arbeitet, die Anzahl der Spins zu erhöhen und Quantenverschränkung zwischen ihnen einzuführen.eurekalert

"Wir haben nun den Machbarkeitsnachweis für ein physikalisches Netzwerk, das sich wie ein lernendes System selbst anpasst. Wenn wir dies verbessern und hochskalieren können, könnte das Training von KI-Hardware deutlich weniger energieintensiv werden", so Lev.phys