Vom Gehirn inspiriert: Neuromorpher schlägt klassischen Computer bei FEM
Künstliche Intelligenz soll auch Forschern und Ingenieuren schnelleres Arbeiten ermöglichen. Speziell trainierte Modelle, etwa für physikalische Simulationen, sollen rascher Lösungen liefern als klassische Berechnungen. Ganz ohne Training kommt dagegen ein Verfahren aus, das Forscher des Sandia National Laboratory in den USA entwickelt haben(öffnet im neuen Fenster) . Es nutzt die Eigenschaften sogenannter Spiking Neural Networks (SNNs), einer Klasse von KI-Beschleunigern, inspiriert durch die Funktionsweise biologischer Gehirne.
Das Neurofem genannte Verfahren setzt die Finite-Elemente-Methode(öffnet im neuen Fenster) (FEM) auf SNNs um. Die Berechnung war im Vergleich zu klassischen Computern in ersten Versuchen zwar langsamer, aber energieeffizienter, wie die Forscher in einer Veröffentlichung im Fachmagazin Nature Machine Intelligence(öffnet im neuen Fenster) schreiben.
Bei der FEM werden zu untersuchende Körper als Netz einzelner, verbundener Knoten dargestellt. Auf diese können äußere Kräfte wirken, das Netz beschreibt die Interaktion zwischen den einzelnen Punkten. Berechnungen werden nur für diese diskreten Punkte ausgeführt. So werden komplexe Vorgänge wie mechanische Verformung, aber auch die Ausbreitung elektromagnetischer Wellen berechenbar.
Hardware anders genutzt als gedacht
Es ergibt sich ein großes Gleichungssystem, für das eine Lösung gesucht wird. Um die zu finden, haben die Forscher die Chips anders genutzt, als eigentlich gedacht: Sie lassen darauf kein KI-Modell laufen, sondern eine Optimierung.
Die nähert sich schrittweise einer Lösung für das von der FEM genutzt lineare Gleichungssystem an, das über eine große Matrixmultiplikation dargestellt wird. Daher ist kein Training erforderlich, aus dem zu lösenden Gleichungssystem wird ein passendes Modell abgeleitet. Neurofem kann dabei direkt Gleichungssysteme von FEM-Paketen übernehmen, die Loihi-Chips arbeiten damit quasi als Beschleuniger.
Jeder Knoten wird durch acht bis 16 künstliche Neuronen dargestellt, die zur Hälfte positive und negative Werte darstellen. Die Interaktion zwischen den Knoten sowie die Gleichungen, welche die Interaktion beschreiben, werden auf Gewichtsparameter des Netzes abgebildet.
Sobald das Netz einen Gleichgewichtszustand erreicht hat, ist die Lösung gefunden und wird mittels einer Auslesematrix in numerische Werte übersetzt. Ein Vorteil der SNN-Chips ist die Parallelität: Bereits einzelne Chips umfassen Hunderte bis Tausende Kerne, und von diesen können oft nochmals Tausende vernetzt werden.
Funktioniert nur für bestimmte Matrizen
Getestet haben die Forscher Neurofem auf bis zu 32 von Intels Loihi 2 . Mit Hala Point baut Intel auch größere Systeme. Das Leipziger Start-up Spinncloud baut ebenfalls SNNs mit Tausenden einzelnen Chips .
Die Implementierung auf den Loihi-2-Chips benötigt nach Schätzung der Forscher deutlich weniger Energie – weniger als ein Fünftel soll es sein. Konkrete Zahlen fehlen allerdings. Die gibt es allerdings zur Genauigkeit: Neurofem lag bei den Tests lediglich wenige Promille neben der Lösung klassischer FEM-Software.
Das Verfahren funktioniert allerdings nur effizient, wenn die Matrix des Gleichungssystems dünn besetzt ist. Daher kann es nicht einfach auf beliebige Gleichungssysteme übertragen werden. Bei FEM ist dies der Fall, wenn nur direkt benachbarte Knoten interagieren.