KI als Game-Changer in der Datenverarbeitung

Einem inter­na­tionalen Forschung­steam unter der Leitung von Physiker*innen der Uni­ver­sität Wien ist durch den Ein­satz von “Inverse-Design” ein Durch­bruch in der Daten­ver­ar­beitung gelun­gen. Diese Meth­ode ermöglicht es Algo­rith­men ein Sys­tem auf der Grund­lage gewün­schter Funk­tio­nen zu kon­fig­uri­eren wobei manuelles Design und kom­plexe Sim­u­la­tio­nen durch Ein­satz von Kün­stlich­er Intel­li­genz umgan­gen wer­den. Das Ergeb­nis ist ein intel­li­gentes “Uni­ver­sal­gerät”, das Spin­wellen (“Magnonen”) nutzt, um mehrere Daten­ver­ar­beitungsauf­gaben mit außergewöhn­lich­er Energieef­fizienz auszuführen. Diese in Nature Elec­tron­ics veröf­fentlichte Inno­va­tion stellt einen bahn­brechen­den Fortschritt im Bere­ich unkon­ven­tioneller Daten­ver­ar­beitung dar und bietet ein erhe­blich­es Poten­zial für die näch­ste Gen­er­a­tion von Telekom­mu­nika­tions- Sys­te­men.

Die mod­erne Elek­tron­ik sieht sich kri­tis­chen Her­aus­forderun­gen gegenüber, wie dem hohen Energie­ver­brauch und der zunehmenden Designkom­plex­ität. In diesem Zusam­men­hang bietet die Magnon­ik – die Nutzung von Magnonen oder quan­tisierten Spin­wellen in mag­netis­chen Mate­ri­alien – eine vielver­sprechende Alter­na­tive. Magnonen ermöglichen einen effizien­ten Daten­trans­port und eine effiziente Daten­ver­ar­beitung bei min­i­malem Energiev­er­lust. Angesichts der wach­senden Nach­frage nach inno­v­a­tiv­en Rechen­lö­sun­gen, die von 5G- und kom­menden 6G-Net­zen bis hin zu neu­ro­mor­phem Com­put­ing (das Funk­tio­nen des Gehirns nachahmt) reichen, stellt die Magnon­ik einen Par­a­dig­men­wech­sel dar: Sie definiert die Art und Weise, wie Geräte ent­wor­fen und betrieben wer­den, kom­plett neu. Andrii Chu­mak von der Arbeits­gruppe Nano­mag­net­ismus und Magnon­ik der Uni­ver­sität Wien und seine Kolleg*innen kon­nten nun einen inno­v­a­tiv­en magnon­is­chen Prozes­sor entwick­eln, der hochgr­a­dig anpas­sungs­fähiges und energieef­fizientes Com­put­ing ermöglicht.

Noura Zen­baa, Erstau­torin der Studie, baute zusam­men mit ihren Kol­le­gen um Dieter Süss, Gruppe der Physik der Funk­tion­s­ma­te­ri­alien an der Uni­ver­sität Wien, einen einzi­gar­ti­gen Ver­such­sauf­bau mit 49 indi­vidu­ell ges­teuerten Strom­schleifen auf einem Yttri­um-Eisen-Granat (YIG)-Film. Diese Schleifen erzeugten abstimm­bare Mag­net­felder zur Steuerung und Manip­u­la­tion von Magnonen. Mit einem “Inverse-Design”-Ansatz ermöglichte das Team Algo­rith­men, die opti­malen Kon­fig­u­ra­tio­nen zu bes­tim­men, um die gewün­scht­en Geräte­funk­tion­al­itäten zu erre­ichen, und vere­in­fachte so den Design­prozess erhe­blich. Ein­er der Algo­rith­men nutzte maschinelles Ler­nen, eine Form der kün­stlichen Intel­li­genz (KI). Per Def­i­n­i­tion ist kün­stliche Intel­li­genz eine Tech­nolo­gie, die es Com­put­ern und Maschi­nen ermöglicht, men­schlich­es Ler­nen, Ver­ständ­nis, Prob­lem­lö­sung, Entschei­dungs­find­ung, Kreativ­ität und Autonomie zu simulieren. Nach mehr als zwei Jahren Entwick­lungs- und Testzeit hat das Team viele Her­aus­forderun­gen gemeis­tert. “Es war ein har­ter Weg, aber unglaublich lohnend zu sehen, wie es schlussendlich zu unseren ersten erfol­gre­ichen Mes­sun­gen kam”, sagte Noura Zen­baa.

Umwelt­fre­undlichere Tech­nolo­gien schaf­fen

Der Pro­to­typ des Teams hat­te zwei Schlüs­sel­funk­tio­nen: Er fungierte als Bandsper­rfil­ter (eine Kom­po­nente, die bes­timmte Fre­quen­zen block­iert) und als Demul­ti­plex­er (ein Gerät, das Sig­nale an ver­schiedene Aus­gänge weit­er­leit­et). Diese Funk­tion­al­itäten sind für die draht­lose Kom­mu­nika­tion der näch­sten Gen­er­a­tion wie 5G und 6G von entschei­den­der Bedeu­tung. Im Gegen­satz zu herkömm­lichen Sys­te­men, die maßgeschnei­derte Kom­po­nen­ten erfordern, kann diese viel­seit­ige Hard­ware für ver­schiedene Anwen­dun­gen angepasst wer­den, wodurch Kom­plex­ität, Kosten und Energie­ver­brauch reduziert wer­den. Laufende Forschungsar­beit­en zeigen, dass das Gerät auch alle logis­chen Oper­a­tio­nen mit Binär­dat­en aus­führen kann und bei entsprechen­der Skalierung mit herkömm­lichen Com­put­ern konkur­ri­eren kön­nte.

Das Team plant, diese Tech­nolo­gie in neu­ro­mor­phe Com­put­er und andere fortschrit­tliche Sys­teme zu inte­gri­eren. Der aktuelle Pro­to­typ ist zwar groß und energiein­ten­siv, doch eine Verkleinerung auf unter 100 Nanome­ter kön­nte eine außergewöhn­liche Effizienz ermöglichen, den Weg für eine energies­parende, uni­verselle Daten­ver­ar­beitung ebnen und Lösun­gen für umwelt­fre­undlichere Com­put­ertech­nolo­gien schaf­fen. “Dieses Pro­jekt war ein kühnes Unter­fan­gen mit vie­len Unbekan­nten”, so Andrii Chu­mak, lei­t­en­der Autor der Studie. “Doch unsere ersten Mes­sun­gen bestätigten die Mach­barkeit – dieses Konzept funk­tion­iert. Unsere Ergeb­nisse zeigen, wie kün­stliche Intel­li­genz das Gebi­et der Physik verän­dert, ähn­lich wie Chat­G­PT das Schreiben von Tex­ten und die Lehre neu gestal­tet.”

Orig­i­nalpub­lika­tion

Noura Zen­baa, Claas Albert, Fabi­an Maj­cen, Michael Ker­ber, Ros­tyslav O. Ser­ha, Sebas­t­ian Knauer, Qi Wang, Thomas Schre­fl, Dieter Suess, Andrii V. Chu­mak. A uni­ver­sal inverse-design magnon­ic device.

In Nature Elec­tron­ics

DOI 10.1038/s41928-024–01333‑7

Quelle: Pressemit­teilung