Widerstandsnetzwerke: Neuer Algorithmus trainiert analoge KI-Hardware
Veröffentlicht am: 04.09.2026 um 09:21 Uhr | Redaktion boerse-global.de
Ein Forscherteam um Lin hat einen Algorithmus vorgestellt, mit dem sich lineare, abstimmbare Widerstandsnetzwerke für maschinelles Lernen trainieren lassen. Die Arbeit stützt sich auf die Kirchhoffschen Gesetze und wurde in APL Machine Learning veröffentlicht (DOI: 10.1063/5.0326359).
Physikalische Gesetze als Trainingsgrundlage
Widerstandsnetzwerke gelten als vielversprechender Ansatz für energieeffiziente, analoge Rechenhardware, die klassische, digitale Prozessoren bei bestimmten Lernaufgaben ergänzen oder ersetzen könnte.
Anstatt Lernvorgänge rein digital zu simulieren, nutzt der von Lin et al. vorgestellte Algorithmus die physikalischen Eigenschaften der Netzwerke selbst: Die Kirchhoffschen Gesetze, die Strom- und Spannungsverhältnisse in elektrischen Schaltkreisen beschreiben, dienen dabei als Grundlage, um abstimmbare Widerstände so anzupassen, dass das Netzwerk gewünschte Ein- und Ausgabebeziehungen erlernt.
Stabiler und konsistenter als bisherige Verfahren
Laut den Autoren übertrifft die neue analytische Methode das bislang verbreitete Zwei-Phasen-Lernen in Stabilität und Konsistenz. Beim Zwei-Phasen-Lernen werden Netzwerke typischerweise in zwei getrennten Durchläufen trainiert, was anfällig für Inkonsistenzen zwischen den Phasen sein kann.
Der von Lin et al. entwickelte Ansatz verspricht hier verlässlichere Ergebnisse, indem er den Trainingsprozess auf eine einheitlichere analytische Grundlage stellt.
Vereinheitlichtes Framework für verwandte Lernregeln
Ein zentraler Bestandteil der Arbeit ist das von den Forschern vorgestellte Framework „generalized equilibrium propagation“. Es fasst verschiedene, bislang eigenständig betrachtete Lernregeln für physikalische Netzwerke in einem gemeinsamen theoretischen Rahmen zusammen. Damit schaffen Lin et al. eine konzeptionelle Brücke zwischen unterschiedlichen Trainingsansätzen für analoge Rechensysteme, die bislang oft isoliert voneinander entwickelt wurden.
Während neue Technologien wie analoge Rechensysteme die Effizienz steigern, bringen sie auch neue Herausforderungen für die Unternehmenssicherheit mit sich. Dieses kostenlose E-Book klärt darüber auf, welche rechtlichen Pflichten und Cyberrisiken durch neue KI-Gesetze heute für Unternehmer wichtig werden. KI-Gesetze und Cyberrisiken im kostenlosen Report verstehen
Bedeutung für analoge Rechenhardware
Die Forschung reiht sich in ein wachsendes Feld ein, das analoge Computerarchitekturen als Alternative oder Ergänzung zu digitalen Systemen für maschinelles Lernen untersucht.
Widerstandsnetzwerke, die direkt auf physikalischen Gesetzen basieren, könnten perspektivisch Energie sparen, da Rechenoperationen unmittelbar in der Hardware ablaufen, anstatt über aufwendige digitale Zwischenschritte simuliert zu werden.
Wer sich mit der Implementierung moderner IT-Lösungen befasst, sollte auch den Schutz der Infrastruktur proaktiv mitplanen. Erfahren Sie in diesem Leitfaden, wie Sie Sicherheitslücken schließen und Ihr Unternehmen ohne hohe Investitionen langfristig gegen Angriffe absichern. Gratis-E-Book: IT-Sicherheit effektiv stärken
Die von Lin und Kollegen präsentierte Methode liefert dafür einen theoretischen und praktischen Baustein, indem sie zeigt, wie sich solche Netzwerke mit größerer Verlässlichkeit trainieren lassen als mit bisherigen Zwei-Phasen-Ansätzen.
Die vollständigen Ergebnisse sind in der Fachzeitschrift APL Machine Learning nachzulesen.
