Beteiligtes Bernstein Mitglied: Mihai A. Petrovici

Eine wesentliche Eigenschaft des menschlichen Gehirns ist seine Fähigkeit, ein Weltmodell zu konstruieren – ein internes Abbild dessen, was jenseits unserer unmittelbaren Sinneseindrücke existiert. Selbst wenn unser Blick auf einen Bildschirm gerichtet ist, bleiben wir uns des Raums um uns herum bewusst und können uns leicht vorstellen, was sich unserem Blick entzieht. Entscheidend ist dabei: Dieses Modell ist probabilistisch. Wenn wir etwa eine Schwimmerin oder einen Schwimmer sehen, erkennen wir möglicherweise nur Kopf und Schultern – dennoch können wir uns zahlreiche plausible Körperhaltungen unter Wasser vorstellen und gleichzeitig unmögliche ausschließen. In der Statistik wird dieser Prozess als Bayes‘sche Inferenz bezeichnet: Wie ist der Zustand von etwas, das ich nicht beobachten kann, angesichts des Zustands von etwas, das ich beobachten kann, und meines bisherigen Wissens über die Welt?

Anstatt alle Möglichkeiten gleichzeitig darzustellen, scheint das Gehirn Stichproben aus dieser Wahrscheinlichkeitsverteilung zu ziehen. Ein bekanntes Beispiel ist die Hasen-Enten-Illusion (s. unten): Man sieht entweder einen Hasen oder eine Ente – aber nie beides zugleich. „Man denkt nie an die gesamte Verteilung“, erklärt Ivan Boikov, Forscher bei Thales Research & Technology und Mitautor der Studie, „sondern zieht vielmehr Stichproben daraus.“

Auf mikroskopischer Ebene ist dieses Abtastverhalten eng mit der Art und Weise verknüpft, wie Neuronen kommunizieren. Neuronen im Neokortex senden keine kontinuierlichen Signale aus, sondern erzeugen Aktionspotenziale auch „Spikes“ genannt – kurze elektrische Impulse, die sich zu benachbarten Zellen ausbreiten. Da der visuelle Kortex topografisch organisiert ist, können Gruppen „spikender“ Neuronen Bildformen buchstäblich „nachzeichnen“ – etwa die Kontur der Beine einer Schwimmerin in einer bestimmten Haltung unter Wasser.

Die Hasen-Enten-Illusion. Bild: gemeinfrei.

Von Neuronen zu Nanolasern

Inspiriert von diesem Mechanismus stellten sich die Forschenden die Frage, ob sich künstliche spikende Netzwerke konstruieren lassen, die Weltmodelle auf die gleiche Weise, jedoch wesentlich schneller, abtasten können. „Indem wir die Biologie von Zellen durch die Physik von Halbleitern ersetzen, können wir ihre Dynamik um ein Vielfaches beschleunigen“, sagt Co-Autor Alfredo de Rossi (Thales Research & Technology).

„In diesem Projekt haben wir Halbleiter-Nanolaser untersucht. In Simulationen konnten wir zeigen, dass wir mit einer bestimmten Materialkonfiguration ein Netzwerk solcher Nanolaser aufbauen können, das – genau wie das Gehirn – ein Weltmodell erlernen und daraus Stichproben ziehen kann“, so de Rossi.

Solche Systeme könnten auf Zeitskalen von wenigen zehn Pikosekunden arbeiten – im Vergleich zu Millisekunden im Gehirn, also mehrere hundert Millionen Mal schneller.

Diese Nanolaser können „spiken“, und diese „Spikes“ lassen sich für das Sampling nutzen. In ihrem Modell lernen Netzwerke aus Nanolasern eine probabilistische Repräsentation ihrer Umgebung und generieren daraus Stichproben – ganz ähnlich wie das Gehirn Unsichtbares imaginiert.

In einer Demonstration wurde das Netzwerk auf handgeschriebenen Ziffern trainiert. Wurden ihm nur partielle Informationen präsentiert – einige Pixel sichtbar, andere verdeckt – erzeugte es vollständige Ziffern, die mit dem Input konsistent waren: Es „imaginierte“ etwa Dreien oder Nullen, jedoch keine unplausiblen Alternativen. Ohne Vorgaben „träumte“ das Netzwerk frei von allen möglichen Ziffern – ähnlich wie das menschliche Gehirn im Schlaf (s. Titelbild).

Präzises Spike-Timing

Die Frage, wie spikende Netzwerke lernen können, ist grundsätzlicher Natur. In der vorliegenden Arbeit nutzten die Forschenden ein probabilistisches Modell und einen Trainingsalgorithmus. In manchen Fällen ist jedoch ein sehr präzises Timing einzelner Spikes erforderlich. „So kodiert unser Gehirn beispielsweise Informationen über den Tastsinn sowie über Textur oder Bewegung taktiler Reize“, erklärt Mihai A. Petrovici von der Universität Bern, ebenfalls Co-Autor der Studie.

Prinzipiell lässt sich nahezu jede Art von Information – visuell, auditiv oder taktil – über Spike-Zeitpunkte in künstlichen spikenden Netzwerken repräsentieren. Das Erlernen präziser Spike-Zeitpunkte in tiefen spikenden Netzwerken stellt jedoch eine erhebliche Herausforderung dar.

Hinzu kommt, dass das Spike-Timing – sowohl in biologischen als auch in künstlichen Netzwerken – nicht nur von der Stärke der synaptischen Verbindungen abhängt, sondern auch von den Laufzeiten (Delays), die Spikes zwischen Neuronen benötigen. In einer kürzlich ebenfalls in Nature Communications veröffentlichten Studie (s. weiterführende Verlinkungen) entwickelten die Forschenden einen Lernalgorithmus, der eine exakte Entsprechung der klassischen Fehler-Backpropagation – dem Rückgrat moderner KI – darstellt, jedoch ausschließlich auf Spike-Zeitpunkten basiert.

„Wir haben diesen Ansatz auf dem neuromorphen BrainScaleS-2-Chip demonstriert, der von unseren Kolleg:innen an der Universität Heidelberg entwickelt wurde“, sagt Petrovici. Auch wenn dieser Mixed-Signal-Chip (mit analogen und digitalen Komponenten) nicht ganz die Geschwindigkeit der Nanolaser-Variante erreicht, ist er dennoch „etwa tausendmal schneller als ein gleich großes Stück Hirngewebe“ – bei gleichzeitig sehr hoher Energieeffizienz. (S. auch „Fast and energy-efficient neuromorphic deep learning with first-spike times“ bei den weiterführenden Verlinkungen.)

Schematische Darstellung eines spikenden Nanolasers. Aus: Boikov et al., Nature Communications 17, 125 (2026), CC BY 4.0.

Rechenvorteile

Die Idee des spike-basierten Samplings wird seit über einem Jahrzehnt erforscht – insbesondere im Rahmen des Human Brain Project und später EBRAINS –  in Kooperationen zwischen Teams aus Bern, Heidelberg, Jülich und Graz. Die laserbasierte Variante ist jedoch völlig neu.

„Es ist erstaunlich, dass blitzende Laser im Prinzip ähnlich funktionieren wie blitzende Neuronen im Gehirn – es werden lediglich Natrium- und Kaliumionen durch Photonen ersetzt“, sagt Petrovici. „Neben der eleganten Symmetrie zwischen diesen sehr unterschiedlichen Systemen bietet das Rechnen mit Licht erhebliche praktische Vorteile gegenüber dem Rechnen mit Elektronen, wie es in heutigen Chips üblich ist.“

Licht lässt sich mit deutlich geringeren Energieverlusten übertragen als elektrische Ströme, und mehrere Signale können bei unterschiedlichen Frequenzen störungsfrei koexistieren, was eine wesentlich höhere Bandbreite ermöglicht. „Aus diesen Gründen ist Hochgeschwindigkeitsinternet optisch“, so die Autor:innen.

Die Studie präsentiert konkrete Blaupausen für Implementierungen im Chip-Maßstab und ebnet damit den Weg für ultraschnelle, energieeffiziente Rechenhardware.

Multidisziplinäre Zusammenarbeit

Das Projekt entstand aus einer Kooperation zwischen einem Neuro-KI-Team der Universität Bern und Expert:innen für neuromorphe Photonik bei Thales Research & Technology in Paris-Saclay. „Wenn man weiß, dass Laser spiken können, und dass sich Spikes für Sampling nutzen lassen, schreibt sich die Geschichte fast von selbst“, so die Forschenden – auch wenn die praktische Umsetzung ein hochgradig interdisziplinäres Team erforderte.

Die Arbeit knüpft an die langjährige Forschung der Gruppe zum spike-basierten Sampling an und ergänzt diese um jüngste Fortschritte beim Training neuromorpher Chips, um präzise Spike-Zeitpunkte zu ermöglichen. Lernen präziser Spike-Zeitpunkte auf neuromorphen Chips. Gemeinsam verdeutlichen diese Ergebnisse, wie Erkenntnisse aus Neurowissenschaft, Physik und Informatik – gefördert durch die EBRAINS-Forschungsinfrastruktur – zusammenwirken können, um neue Formen künstlicher Intelligenz zu inspirieren.