Zusammenfassung der Dissertation
Moderne künstliche Intelligenz ist sehr leistungsstark, verbraucht aber auch viel Energie, was ihren Einsatz in mobilen Geräten wie Robotern oder biomedizinischen Implantaten limitiert.
Die Dissertation von Alexandru Vasilache adressiert dieses Problem durch die Entwicklung von Software-Methoden zur Optimierung von sogenannten Spiking Neural Networks (SNNs), die nach dem Vorbild des Gehirns besonders energieeffizient arbeiten.
Die entwickelten Verfahren reduzieren gezielt unnötige neuronale Aktivität sowie Verbindungen und ermöglichen so erhebliche Energieeinsparungen, was den Einsatz komplexer KI direkt auf dem Endgerät erlaubt.
Wir gratulieren Alexandru Vasilache herzlich zu diesem Erfolg!
Neuromorphic Computing
Neuromorphic Computing ahmt die Struktur des menschlichen Gehirns nach, indem es die Spike-Aktivität einzelner Neuronen nachbildet, was die Flexibilität bietet, nur die aktiven Neuronen zu simulieren, um eine extreme Recheneffizienz zu erreichen. Dies wird durch das binäre Informationsübertragungsparadigma, das durch einen Spike dargestellt wird, noch verstärkt, was zu einer beeindruckenden Verringerung des Speicher-, Energie- und Rechenaufwands führt. Die Simulation einzelner Neuronen ermöglicht auch die Implementierung biologisch plausibler Lernmethoden, die lokales Lernen ermöglichen.
Embodied Intelligence
Die verkörperte Intelligenz konzentriert sich auf die Verschmelzung von physischen Roboterkörpern mit kognitiven Prozessen. Dieser Ansatz integriert Sinneswahrnehmung, Motorsteuerung und Kognition und ahmt nach, wie lebende Organismen interagieren und sich an ihre Umwelt anpassen. Systeme mit verkörperter Intelligenz nutzen Erfahrungen aus der realen Welt als entscheidende Komponente ihrer kognitiven Prozesse und ermöglichen adaptives Verhalten und Lernen durch direkte Interaktion mit der physischen Umgebung.
Generalist AI
Im Gegensatz zur spezialisierten KI, die sich nur in bestimmten Bereichen auszeichnet, Generalistische KI, oder Artificial General Intelligence (AGI), zielt darauf ab, menschenähnliche kognitive Fähigkeiten zum Lernen und zur Bewältigung mehrerer Aufgaben zu replizieren. Im Mittelpunkt der AGI steht die Fähigkeit zur Generalisierung, d. h. das Lernen aus früheren Erfahrungen und die Extrapolation dieser Informationen auf neue, unbekannte Situationen. Diese Fähigkeit, ständig aus Erfahrungen zu lernen, ohne frühere Informationen umzulernen, wird auch als Continual Learning bezeichnet.