Forscher bauen KI aus Atomen und Licht – ihr Gedächtnis speichert siebenmal mehr Erinnerungen

Künstliche Intelligenz braucht Speicher – und je mehr Informationen darin landen, desto schwieriger wird es, das Richtige wiederzufinden. Physiker haben dafür nun einen ungewöhnlichen Weg gefunden: ein quantum-optisches Spin-Glas aus extrem kalten Atomen und Lichtteilchen. Dieses physikalische Netzwerk kann unvollständige Informationen einem gespeicherten Muster zuordnen und so Erinnerungen rekonstruieren. In einem kleinen Versuch speicherte es bis zu siebenmal mehr Muster als ein klassisches Hopfield-Netzwerk gleicher Größe.

Entwickelt hat das System ein Team um den Physiker Benjamin Lev von der Stanford University. Die Ergebnisse erschienen im Fachjournal Science. Wichtig für die Einordnung: Mit „Erinnerungen“ sind hier keine menschlichen Erinnerungen gemeint, sondern gespeicherte Informationsmuster, die das Netzwerk aus unvollständigen Eingaben wiedererkennen kann. Der Vergleich mit klassischen KI-Netzen bezieht sich zudem auf ein kleines experimentelles System mit 16 Spins.

Ein altes KI-Prinzip stößt irgendwann an seine Grenze

Die Idee hinter diesem Gedächtnis reicht mehr als 40 Jahre zurück. Der Physiker John Hopfield beschrieb 1982 ein neuronales Netzwerk, das Informationen in bestimmten Zuständen miteinander gekoppelter Spins speichert. Bekommt das Netzwerk nur einen Teil eines bekannten Musters, sucht es den ähnlichsten gespeicherten Zustand. So lässt sich beispielsweise aus einem unvollständigen Muster wieder die vollständige Information rekonstruieren. Hopfield erhielt für Arbeiten, die solche neuronalen Netze geprägt haben, 2024 den Nobelpreis für Physik.

Allerdings funktioniert dieses Prinzip nur bis zu einer bestimmten Speichermenge zuverlässig. Zu viele Erinnerungsmuster erzeugen immer mehr mögliche Zustände, in denen das Netzwerk hängen bleiben kann. Die Spins lassen sich dann nicht mehr sauber auf eine gespeicherte Erinnerung ausrichten. Physiker sprechen von „Frustration“ – und genau daraus entsteht ein Spin-Glas. Was beim klassischen Hopfield-Netzwerk zum Problem wird, nutzt das neue System jedoch auf andere Weise.

Das Spin-Glas macht aus Störmustern Erinnerungen

Im quantum-optischen Spin-Glas können Zustände, die in klassischen Netzwerken als störende Fehlmuster auftreten würden, selbst als verlässliche Erinnerungen dienen. Möglich wird das durch die Wechselwirkung zwischen Atomen und Photonen. Das Netzwerk befindet sich dabei nicht in einem einfachen Gleichgewicht, sondern wird ständig durch Licht angetrieben und gibt zugleich Energie an seine Umgebung ab.

Vereinfacht läuft das Experiment so ab:

Laser halten extrem kalte Atomwolken an festgelegten Positionen.
Jede Atomwolke enthält mindestens rund 10.000 Atome und verhält sich gemeinsam wie ein einzelnes „Superatom“.
Zwei gekrümmte Spiegel bilden einen Resonator, in dem Photonen tausendfach hin und her laufen.
Das Licht koppelt die verschiedenen Atomgruppen miteinander und beeinflusst ihre Spins.
Das Netzwerk sucht schließlich einen stabilen Zustand, der einem gespeicherten Muster entspricht.

Photonen verbinden die Atome ähnlich wie Synapsen

Die Photonen übernehmen damit eine Funktion, die sich grob mit den Verbindungen zwischen Nervenzellen vergleichen lässt. Sie schaffen zahlreiche Wechselwirkungen zwischen den einzelnen Atomgruppen. Anders als bei einem fest verdrahteten klassischen Netzwerk bleiben diese Verbindungen jedoch nicht vollkommen starr.

Denn auch die Atome bewegen sich innerhalb ihrer Fallen. Dadurch ändert sich, wie sie mit dem Licht wechselwirken und wie stark verschiedene Teile des Netzwerks miteinander gekoppelt sind. Diese Dynamik erhöhte im Experiment die Speicherkapazität zusätzlich. Die Autoren vergleichen den Effekt mit kurzfristiger synaptischer Plastizität. Im Gehirn können sich Verbindungen zwischen Nervenzellen abhängig von ihrer Aktivität zeitweise verstärken oder abschwächen.

Das System kann seine Verbindungen selbst verändern

Damit kommt das Experiment einer weiteren Eigenschaft neuronaler Netzwerke näher: Die Struktur, in der Informationen verarbeitet werden, kann sich während des Betriebs verändern. Lev spricht deshalb von einem frühen Schritt in Richtung eines physikalischen Systems, das Eigenschaften von Lernen besitzt. „Wir können jetzt neuronale Netzwerke auf atomarer Ebene herstellen, und sie passen sich auf eine Weise an, die ein wenig dem ähnelt, wie wir glauben, dass unser Gehirn lernt“, sagt der Stanford-Physiker.

Der Vergleich hat allerdings klare Grenzen. Das System denkt nicht und lernt auch nicht wie ein menschliches Gehirn. Die Autoren bezeichnen die beobachtete Plastizität ausdrücklich als einen Vorläufer von Lernen in einem quantum-optischen System. Zudem besteht der Versuchsaufbau bislang nur aus wenigen Spins und benötigt extrem kalte Atome in einer Vakuumkammer.

Von einem KI-Chip ist die Technik noch weit entfernt

Für praktische Computer müsste das Prinzip erheblich größer und robuster werden. Trotzdem interessiert die Forscher die hohe Speicherdichte. Ein Netzwerk, das mehr Informationen mit weniger physikalischen Elementen speichern kann, könnte langfristig auch mit weniger Ressourcen auskommen. Lev sieht darin eine mögliche Perspektive für energieeffizientere KI-Hardware.

„Wir haben jetzt einen Machbarkeitsnachweis für ein physikalisches Netzwerk, das sich auf eine Weise anpasst, wie es ein lernendes System tun würde“, sagt Lev. Falls sich das Verfahren verbessern und skalieren lasse, könne entsprechende KI-Hardware beim Training deutlich weniger Energie benötigen. Bis dahin sind jedoch weitere Experimente nötig.

Jetzt soll das atomare Gedächtnis größer werden

Das Team arbeitet bereits an Netzwerken mit mehr Spins. Künftig sollen auch Spins hinzukommen, die quantenmechanisch miteinander verschränkt sind. Damit könnten weitere Eigenschaften entstehen, die in klassischen neuronalen Netzwerken nicht vorkommen.

Für Lev geht es deshalb nicht allein um neue Computer. „Das lehrt uns ein wenig mehr darüber, wie physikalische Systeme rechnen können – nicht nur mit den klassischen Gesetzen der Physik, sondern auch mit Quantengesetzen“, sagt er. Das quantum-optische Spin-Glas dient damit zugleich als Experimentierfeld für eine grundsätzliche Frage: Wie weit lässt sich Rechnen direkt in die Physik eines Systems verlagern?

Kurz zusammengefasst:

Forscher haben ein quantum-optisches Spin-Glas aus extrem kalten Atomen und Licht gebaut, das unvollständige Informationen gespeicherten Mustern zuordnen kann.
In einem kleinen Netzwerk mit 16 Spins erreichte das System bis zu siebenmal mehr Speicherkapazität als ein vergleichbares klassisches Hopfield-Netzwerk.
Die Verbindungen im Netzwerk veränderten sich kurzfristig ähnlich wie Synapsen beim Lernen, doch die Technik ist bislang ein frühes Laborexperiment und noch weit von praktischer KI-Hardware entfernt.

Übrigens: Während Stanford-Forscher ein KI-Gedächtnis aus Atomen und Licht erproben, arbeiten Wissenschaftler der Virginia Tech an Mobilfunknetzen, die selbstständig lernen, planen und auf Veränderungen reagieren sollen. Warum diese Vision sogar an Skynet aus „Terminator“ erinnert, mehr dazu in unserem Artikel.