Fully analog end-to-end online training with real-time adaptability in integrated photonics

Stellen Sie sich einen Computer vor, der lernt, wie ein lebendes Gehirn: nicht indem er einem starren, vorgefertigten Skript folgt, sondern indem er seine eigenen Verbindungen ständig anpasst, während er auf neue Informationen stößt. Jahrzehntelang haben Wissenschaftler versucht, Maschinen zu bauen, die diese biologische Flexibilität nachahmen, in der Hoffnung, eine künstliche Intelligenz zu erschaffen, die schneller, effizienter und in der Lage ist, in der unordentlichen, sich verändernden realen Welt zu operieren. Traditionelle Computer, die auf digitalen Schaltern basieren, die entweder an oder aus sind, haben Schwierigkeiten mit dieser Art von kontinuierlicher Anpassung. Sie erfordern oft einen separaten, zeitaufwendigen Schritt, um aus Fehlern zu lernen, bevor sie es erneut versuchen können. Im Bereich des lichtbasierten Rechnens, bekannt als Photonik, haben Forscher Chips entwickelt, die Lichtstrahlen anstelle von Elektrizität verwenden, um Informationen mit unglaublicher Geschwindigkeit zu verarbeiten. Ein großes Hindernis blieb jedoch: diese lichtbasierten Systeme dazu zu bringen, in Echtzeit und „on the fly“ zu lernen, ohne einen langsamen, externen digitalen Verstand zu benötigen, der ihnen sagt, wie sie sich verändern sollen.

Ein Team von Forschern hat nun einen funktionierenden Prototypen demonstriert, der diese Lücke schließt. Sie haben einen Siliziumchip gebaut, der in der Lage ist, vollständig innerhalb des analogen Bereichs des Lichts zu lernen, sich anzupassen und sich selbst zu korrigieren, ohne die Berechnung von Fehlern auf einem separaten Computer zu pausieren. Dieses System, das in einer kürzlich veröffentlichten Studie beschrieben wurde, stellt einen bedeutenden Schritt in Richtung Maschinen dar, die in dynamischen Umgebungen autonom operieren können, wie etwa ein selbstfahrendes Auto, das plötzliche Wetterwechsel navigiert, oder ein Sensornetzwerk, das sich an schwankende Temperaturen anpasst. Indem sie bewiesen haben, dass ein photonischer Prozessor seine internen Einstellungen aktualisieren kann, während er aktiv arbeitet, haben die Forscher einen Weg zu einer künstlichen Intelligenz aufgezeigt, die nicht nur schnell, sondern auch belastbar und selbstgenügsam ist.

Der Kern dieser Errungenschaft liegt in einer neuen Art, der Maschine etwas beizubringen. In den meisten aktuellen Systemen führt der Computer eine Aufgabe aus, prüft das Ergebnis, berechnet den Fehler und aktualisiert dann seine Einstellungen. Dies ist ein zweistufiger Prozess, der eine Verzögerung verursacht. Das neue System hingegen lernt, während es arbeitet. Es verwendet eine Methode namens multiplizierte Gradientenabstiegsverfahren (multiplexed gradient descent), was kompliert klingen mag, aber nach einem einfachen Prinzip von Versuch und Irrtum funktioniert. Der Chip nimmt winzige, schnelle Anpassungen an seinen internen Einstellungen vor, die als Gewichte bezeichnet werden, und misst sofort, wie diese Änderungen das Endergebnis beeinflussen. Wenn eine kleine Änderung das Ergebnis verbessert, behält der Chip diese Richtung bei; wenn sie die Dinge verschlechtert, dreht er um. Entscheidend ist, dass der Chip dies durch die physische Messung der Lichtleistung tut, um die Auswirkung seiner eigenen Änderungen zu sehen, anstatt sich auf eine digitale Simulation zu verlassen, um es herauszufinden. Dies ermöglicht es, dass das Lernen und das Handeln zur exakt gleichen Zeit stattfinden.

Um diese Idee zu testen, bauten die Forscher einen monolithischen integrierten photonischen Prozessor. Dies ist ein einzelner Chip aus Silizium, der mit standardmäßigen industriellen Techniken hergestellt wurde und winzige Ringe enthält, die Licht einfangen und leiten. Diese Ringe fungieren als die anpassbaren Gewichte des neuronalen Netzes. Das Team speiste Daten in den Chip ein, indem es verschiedene Farben des Lichts verwendete, von denen jede ein Stück Information trug. Während das Licht durch die Ringe wanderte, passte das System die Eigenschaften der Ringe an, um eine Berechnung durchzuführen. Um das System zu trainieren, brachten sie winzige, zufällige Vibrationen auf die Ringe aus und beobachteten, wie sich die Lichtleistung veränderte. Durch die Beobachtung dieser Veränderungen konnte der Chip genau bestimmen, wie er seine Einstellungen anpassen musste, um ein besseres Ergebnis zu erzielen. Dieser Prozess fand vollständig in der analogen Welt von Licht und Hitze statt, wodurch die Notwendigkeit komplexer digitaler Berechnungen, die normalerweise alles verlangsamen, umgangen wurde.

Die Ergebnisse waren beeindruckend. Das System lernte erfolgreich, Daten zu klassifizieren, und unterschied zwischen verschiedenen Mustern mit hoher Genauigkeit. Wichtiger noch war, dass es die Fähigkeit demonstrierte, sich ohne menschliches Eingreifen an Veränderungen in seiner Umgebung anzupassen. In einem Experiment änderten die Forscher die Regeln des Spiels, während der Chip arbeitete. Sie baten das System, Daten basierend auf einer Linie zu sortieren, die durch verschiedene Winkel rotierte. Alle paar Minuten änderte sich der Winkel. Anstatt zu versagen oder neu programmiert werden zu müssen, erkannte der Chip die Änderung schnell, passte seine internen Gewichte an und setzte die Sortierung der Daten innerhalb weniger Sekunden korrekt fort. Er stellte sein hohes Genauigkeitsniveau fast unmittelbar nach jeder Verschiebung wieder her, was bewies, dass er beweglichen Zielen in Echtzeit folgen kann.

Die Forscher testeten das System auch auf seine Widerstandsfähigkeit gegen physische Störungen, ein häufiges Problem für empfindliche optische Geräte. Photonische Chips sind oft empfindlich gegenüber Temperatur; selbst ein leichter Anstieg der Hitze kann die Lichtpfade verzerren und die Berechnung ruinieren. In einem kontrollierten Test variierte das Team die Temperatur des Chips um mehrere Grad, um die Art von Schwankungen zu simulieren, denen ein Gerät in der realen Welt ausgesetzt sein könnte. Als die Temperatur stieg, sank die Leistung des Chips zunächst ab. Da das System jedoch ständig lernte, spürte es den Qualitätsverlust und passte seine Einstellungen automatisch an, um die Hitze zu kompensieren. Es stellte seine Genauigkeit auf das vorherige Niveau wieder her und heilte sich somit effektiv von der Umweltbelastung. Diese Selbstkorrektur geschah kontinuierlich, was es dem Gerät ermöglichte, eine stabile Operation aufrechtzuerhalten, selbst wenn sich die Bedingungen um es herum änderten.

Um zu verstehen, wie diese Technologie für komplexere Aufgaben skaliert werden kann, erstellten die Forscher einen digitalen Zwilling ihres Systems. Dies war ein virtuelles Modell, das ein viel größeres Netzwerk mit vielen mehr Verbindungsschichten simulierte. Sie nutzten dieses Modell, um eine anspruchsvolle Klassifizierungsaufgabe zu testen, die eine Form beschreibt, die einem Yin-Yang-Symbol ähnelt – ein Problem, das erfordert, dass das System komplexe, nicht-lineare Grenzen versteht. Die Simulation zeigte, dass das System selbst mit den Unvollkommenheiten und dem Rauschen, die in echter Hardware inhärent sind, eine hohe Genauigkeit erreichen kann. Das virtuelle Modell bestätigte, dass die Methode, die in dem kleinen, physischen Chip verwendet wurde, auch in viel größeren, anspruchsvolleren Netzwerken funktionieren kann, was darauf hindeutet, dass der Ansatz nicht auf einfache Experimente beschränkt ist.

Die Geschwindigkeit und Effizienz dieses neuen Ansatzes sind bemerkenswert. Der physische Chip ist unglaublich schnell, wobei das Licht in nur wenigen Pikosekunden durch ihn reist – einer Billionstel Sekunde. Während die aktuelle Version des Chips Hitze verwendet, um die Gewichte anzupassen, was einen Bruchteil einer Sekunde dauert, um sich zu stabilisieren, merkten die Forscher an, dass zukünftige Versionen elektrische Signale verwenden könnten, um diese Anpassungen noch schneller vorzunehmen, was den Lernprozess potenziell um das Tausendfache beschleunigen würde. Auch der Energieverbrauch ist bemerkenswert niedrig; das gesamte System, einschließlich der Elektronik, die zum Lesen der Ergebnisse benötigt wird, verbraucht weniger Strom als eine kleine Glühbirne. Diese Kombination aus Geschwindigkeit und geringem Energieverbrauch deutet darauf hin, dass solche Chips eines Tages Geräte antreiben könnten, die Entscheidungen in Millisekunden treffen müssen, ohne eine Batterie zu entladen.

Diese Arbeit beansprucht nicht, jedes Problem der künstlichen Intelligenz gelöst zu haben, aber sie adressiert einen spezifischen und kritischen Engpass: die Unfähigkeit von Hardware, kontinuierlich und adaptiv in Echtzeit zu lernen. Indem die Forscher den Lernprozess direkt in die Hardware integrierten und ihn im analogen Bereich hielten, entfernten sie die Verzögerungen und Energiekosten, die mit der digitalen Verarbeitung verbunden sind. Das System ist robust gegenüber dem Rauschen und den Unvollkommenheiten, die solche empfindlichen Geräte üblicherweise plagen, und es kann mit der Unvorhersehbarkeit der realen Welt umgehen. Die Studie liefert eine konkrete Demonstration dafür, dass Maschinen gebaut werden können, die während des Betriebs lernen und ihre eigene interne Logik anpassen, um sich einer sich verändernden Umgebung anzupassen. Diese Fähigkeit öffnet die Tür zu einer neuen Generation intelligenter Systeme, die nicht nur schnell, sondern auch flexibel und selbstgenügsam sind und in der Lage sind, in den dynamischen Bedingungen zu operieren, in denen traditionelle Computer oft Schwierigkeiten haben.