LONDON (IT BOLTWISE) – Ein Forscherteam hat einen Trainingsalgorithmus vorgestellt, der lineare, abstimmbare Widerstandsnetzwerke direkt über die Kirchhoffschen Gesetze anpasst. Dadurch können Ein- und Ausgabebeziehungen für maschinelles Lernen erlernt werden, ohne jede Lernschritt-Iteration ausschließlich digital zu simulieren. Laut den Autoren soll die Methode beim Training stabiler und konsistenter sein als das bislang verbreitete Zwei-Phasen-Lernen. Die Ergebnisse sind unter DOI: 10.1063/5.0326359 in APL Machine Learning veröffentlicht.
Analoge KI-Hardware gilt seit Jahren als verheißvolle Alternative zu rein digitaler Rechenleistung, weil sie bestimmte Lernaufgaben potenziell energieärmer ausführen kann: Anstatt Rechenoperationen vollständig im Prozessor zu simulieren, lassen sich Recheninhalte physikalisch in Schaltkreisen abbilden. Genau an diesem Punkt setzt die aktuelle Arbeit an. Das Forscherteam um Lin beschreibt einen Algorithmus, der lineare, abstimmbare Widerstandsnetzwerke so trainiert, dass sie die gewünschten Ein- und Ausgabebeziehungen für maschinelles Lernen lernen. Im Kern geht es darum, die Eigenschaften des Netzwerks nicht nur als „Hardware-Umsetzung“ zu betrachten, sondern als Bestandteil des Lernverfahrens selbst.
Technisch betrachtet nutzen die Autoren dabei die Kirchhoffschen Gesetze als Trainingsgrundlage. Diese Grundgesetze der Elektrotechnik beschreiben die Beziehung von Strom- und Spannungsverhältnissen in elektrischen Schaltkreisen. Der Algorithmus übersetzt das mathematische Ziel des Lernens in eine physikalisch plausibilisierte Anpassung: Er verändert abstimmbare Widerstände so, dass sich das Netzwerk „funktional“ in Richtung der gewünschten Signaltransformation verschiebt. Damit entsteht ein Trainingsprozess, der nicht nur numerische Surrogate für eine analoge Schaltung berechnet, sondern die physikalische Struktur des Netzwerks als analytische Schiene benutzt.
Ein zweiter Schwerpunkt liegt auf der Stabilität des Lernens. In vielen analog inspirierten Ansätzen wird das Training typischerweise als Zwei-Phasen-Verfahren umgesetzt: In getrennten Durchläufen werden Zustandsänderungen und Gewichts- beziehungsweise Parameteranpassungen behandelt. Die Autoren weisen darauf hin, dass genau diese Trennung anfällig für Inkonsistenzen zwischen den Phasen sein kann. Dem setzt der neue Ansatz ein einheitlicheres analytisches Fundament entgegen. Laut dem Team übertrifft die Methode das bislang verbreitete Zwei-Phasen-Lernen in Stabilität und Konsistenz, weil der Trainingsprozess konzeptionell weniger in sich selbst widersprüchliche Teilziele zerlegt.
Besonders interessant ist dabei das von Lin und Kollegen beschriebene Framework „generalized equilibrium propagation“. Dieses Konzept bündelt mehrere Lernregeln, die in der Vergangenheit häufig getrennt voneinander diskutiert wurden, in einen gemeinsamen theoretischen Rahmen für physikalische Netzwerke. Für die Praxis bedeutet das: Statt jedes Widerstandsnetzwerk-Setup mit einer eigens konstruierten Trainingsformel zu versehen, können unterschiedliche Lernregeln im selben Denkmodell verortet werden. Das senkt die Gefahr, dass sich bewährte Ideen nicht sauber zwischen Varianten von analoger Hardware übertragen lassen, und es erleichtert die systematische Weiterentwicklung an der Schnittstelle aus Theorie und Schaltungstechnik.
In den Kontext analoger Rechenarchitekturen gehört außerdem die Frage nach dem „Warum“ neben dem „Wie“. Widerstandsnetzwerke, die unmittelbar auf physikalischen Gesetzmäßigkeiten basieren, können bei passenden Problemklassen effizienter sein, weil Rechenoperationen im Gerät selbst stattfinden. Allerdings sind analoge Systeme auch anspruchsvoller zu betreiben, etwa wenn Temperaturdrift, Toleranzen in Bauteilen oder die Notwendigkeit präziser Abstimmung berücksichtigt werden müssen. Genau deshalb ist die Aussage zur verbesserten Verlässlichkeit ein relevanter Baustein: Wenn ein Trainingsverfahren konsistenter ausfällt, sinkt tendenziell der Aufwand für wiederholtes Nachjustieren und die Wahrscheinlichkeit, dass die Hardware-Implementierung das theoretische Lernziel im Betrieb zu stark „verfehlt“.
Für Unternehmen und Entwickler stellt sich damit weniger die Frage, ob analoge KI „prinzipiell möglich“ ist, sondern wie gut sich solche Ansätze in bestehende Systemlandschaften einbetten lassen. Anwendbar wird das vor allem dann, wenn Trainings- und Inferenzpfade klar definierbar sind und die Hardwareseite reproduzierbar funktioniert. Gerade bei neuartigen KI-Umsetzungen wird es zudem wichtig, die Infrastruktur und Prozesse frühzeitig mitzudenken, damit Teams nicht erst im produktiven Betrieb feststellen, dass Mess- und Steuerdaten unzureichend abgesichert sind oder Monitoring-Mechanismen fehlen. Der praktische Nutzen des neuen Algorithmus liegt daher nicht nur im Modelltraining selbst, sondern auch in der Chance, analog basierte Lernsysteme langfristig planbarer zu machen.
Die vollständigen Ergebnisse sind in der Fachzeitschrift APL Machine Learning nachzulesen, die Arbeit ist unter DOI: 10.1063/5.0326359 veröffentlicht. Für die weitere Diskussion dürfte entscheidend sein, wie sich das Verfahren über verschiedene Netzwerkgrößen und realistische Hardwarebedingungen hinweg schlägt und ob das einheitliche Framework auch auf verwandte Lernregeln in analogen Architekturen übertragbar ist. Bis dahin liefert die Arbeit um Lin einen konkreten Schritt: Sie verankert das Training von Widerstandsnetzwerken messbar an physikalischer Analytik, reduziert die Abhängigkeit von getrennten Lernphasen und bietet damit einen Ansatz, der für energieeffiziente analoge KI-Entwicklung besonders anschlussfähig wirkt.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Algorithmus trainiert Widerstandsnetzwerke: analoge KI mit physikalischer Grundlage" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Algorithmus trainiert Widerstandsnetzwerke: analoge KI mit physikalischer Grundlage" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Algorithmus trainiert Widerstandsnetzwerke: analoge KI mit physikalischer Grundlage« bei Google Deutschland suchen, bei Bing oder Google News!