Das Massachusetts Institute of Technology (MIT) hat eine neue Hardware entwickelt, die auf analogen Synapsen basiert: Sie ist millionenfach schneller als das menschliche Gehirn. Die neue Technologie zielt darauf ab, sich auf Deep Learning für eine Vielzahl von Zwecken zu konzentrieren und gleichzeitig allen Benutzern eine große Rechenleistung zu bieten.
Eine MIT-Forschung mit dem Titel „Nanosecond Proton Programmable Resistors for Deep Analog Learning“ (Ich verlinke es dir hier) konzentriert sich auf eine neue analoge Synapse, die für Deep Learning entwickelt wurde. Die Ergebnisse sind, wie gesagt, verrückt. Die Hardware verfügt über enorme Fähigkeiten und stellt nicht nur mehr Rechenleistung für die KI bereit, sondern verbraucht auch weniger Strom für ihre Bedürfnisse.


Rapid Analog Synapse, der Eckpfeiler der nahen Zukunft
Um einen superschnellen und extrem energieeffizienten programmierbaren Widerstand zu entwickeln, betrachteten die Wissenschaftler völlig andere Materialien für den Elektrolyten. Die analoge Synapse des MIT basiert auf anorganischem Phosphorsilikatglas, was ihr eine enorme Geschwindigkeit, einen geringen Stromverbrauch und eine beispiellose Kapazität im Dienste des maschinellen Lernens verleiht.
Maschinelles Lernen mit Schemata, die von der Funktionsweise der Gehirn Der Mensch wächst überall. Diese Forschung der MIT-Gruppe ist nur einer von vielen Schwerpunkten, die weltweit verfügbar sind. Die Anwendungen sind nahezu endlos, und im Dienste der wissenschaftlichen Gemeinschaft werden sie in den kommenden Jahren viele neue Entdeckungen vorantreiben und das alte Konzept des „Supercomputers“ revolutionieren, der nun mehr und mehr eine „Superintelligenz“ sein wird.
Anscheinend hat es seine eigenen Synapsen
Mit Deep Learning werden sich Produkte und Dienstleistungen zunehmend auf Reaktionen und Ergebnisse konzentrieren: von Klimamodellen, die uns helfen zu verstehen, wie sich der Planet verändert, bis hin zu „virtuellen Zwillingen“, mit denen wir virtuelle städtische Lösungen testen können, bevor wir sie auf die Realität anwenden.
„Mit Hardware wie dieser können Sie Netzwerke mit beispielloser Komplexität trainieren, die sich sonst niemand leisten kann, und sie dadurch bei weitem übertreffen. Mit anderen Worten, das ist kein früheres Auto, es ist ein Raumschiff“, sagt er Murat Onen, MIT Lead und Postdoc-Autor.
Ich kann es kaum erwarten, dass die Welt damit beginnt, es zu steuern.