Neuer Ansatz zur Effizienzsteigerung von KI durch Nachahmung neuronaler Strukturen

Brain-inspired AI: Neue Effizienz durch Nachahmung neuronaler Strukturen

Die künstliche Intelligenz (KI) hat in den letzten Jahren immense Fortschritte gemacht und transformiert verschiedene Branchen. Doch mit dieser Entwicklung gehen auch Herausforderungen einher, insbesondere im Hinblick auf den Energieverbrauch und die Recheneffizienz großer KI-Modelle. Aktuelle Forschungsergebnisse der University of Surrey zeigen nun einen vielversprechenden Weg auf, diese Herausforderungen zu adressieren: die Nachahmung der komplexen und effizienten neuronalen Verschaltung des menschlichen Gehirns.

Die Herausforderung: Energiehunger moderner KI

Moderne KI-Systeme, insbesondere große Sprachmodelle (Large Language Models, LLMs) und generative KI-Modelle wie ChatGPT, basieren auf künstlichen neuronalen Netzen (Artificial Neural Networks, ANNs). Diese Netzwerke bestehen aus Schichten digitaler "Neuronen", die miteinander verbunden sind. Bei herkömmlichen ANNs werden oft alle Neuronen einer Schicht mit allen Neuronen der nächsten Schicht verbunden, was eine hohe Komplexität und damit einen enormen Rechenaufwand und Energieverbrauch zur Folge hat. Dr. Roman Bauer, Dozent an der University of Surrey, weist darauf hin, dass das Training vieler populärer großer KI-Modelle über eine Million Kilowattstunden Strom verbrauchen kann, was angesichts des Wachstums der KI nicht nachhaltig sei.

Topographical Sparse Mapping: Effizienz durch gezielte Vernetzung

Die Forschenden der University of Surrey haben eine neue Methode entwickelt, die sie als Topographical Sparse Mapping (TSM) bezeichnen. Dieser Ansatz orientiert sich direkt an der biologischen Struktur des Gehirns, wo Neuronen nicht willkürlich, sondern selektiv und topografisch organisiert verbunden sind. Im menschlichen Gehirn werden Informationen effizient verarbeitet, indem jedes Neuron nur mit nahegelegenen oder relevanten Neuronen verbunden ist. TSM überträgt dieses Prinzip auf künstliche neuronale Netze: Statt einer vollständigen Vernetzung werden die Verbindungen so gestaltet, dass jedes künstliche Neuron nur mit benachbarten oder verwandten Neuronen verknüpft ist. Dies reduziert die Anzahl der unnötigen Verbindungen erheblich, was zu einer Steigerung der Effizienz und einer Reduzierung des Energieverbrauchs führt, ohne die Leistungsfähigkeit oder Genauigkeit zu mindern.

Enhanced Topographical Sparse Mapping: Lernen durch "Pruning"

Eine Weiterentwicklung des TSM-Ansatzes ist das Enhanced Topographical Sparse Mapping (ETSM). Diese verbesserte Version integriert einen biologisch inspirierten "Pruning"-Prozess (Beschneidung) während des Trainings. Das menschliche Gehirn verfeinert seine neuronalen Verbindungen kontinuierlich im Lernprozess, indem es schwache oder redundante Verknüpfungen eliminiert. ETSM ahmt diesen Mechanismus nach, indem es während des Trainings schwache oder überflüssige Verbindungen in den künstlichen neuronalen Netzen entfernt. Dies macht die Systeme schlanker, schneller und noch energieeffizienter.

Mohsen Kamelian Rad, Doktorand und leitender Autor der Studie, erklärt, dass der Schlüssel in der Nachahmung der räumlichen Organisation von Neuronen im Gehirn liegt. Durch die Spiegelung dieses topographischen Designs könnten KI-Systeme entwickelt werden, die schneller lernen, weniger Energie verbrauchen und die gleiche Genauigkeit aufweisen.

Resultate und Potenzial

Die im Fachjournal Neurocomputing veröffentlichten Ergebnisse zeigen, dass die Modelle mit TSM und ETSM eine bis zu 99 %ige "Sparsity" (Dünnbesiedlung) erreichen konnten, was bedeutet, dass nahezu alle unnötigen neuronalen Verbindungen eliminiert wurden. Trotz dieser drastischen Reduzierung der Verbindungen erreichten oder übertrafen die Modelle die Genauigkeit herkömmlicher Ansätze in Benchmark-Tests. Darüber hinaus konnten sie schneller trainiert werden, benötigten weniger Speicher und verbrauchten weniger als 1 % der Energie, die von konventionellen KI-Systemen benötigt wird.

Diese Erkenntnisse legen nahe, dass die brain-inspirierte KI nicht nur eine Leistungssteigerung ermöglicht, sondern auch einen wesentlichen Beitrag zur Nachhaltigkeit im Bereich der künstlichen Intelligenz leisten könnte.

Anwendungsbereiche und Zukunftsaussichten

Die Forschenden untersuchen derzeit, wie dieser Ansatz in anderen Bereichen eingesetzt werden könnte. Ein vielversprechendes Feld ist das neuromorphe Computing, ein Ansatz, der Hardware so gestaltet, dass sie die Struktur und Funktion des menschlichen Gehirns nachahmt. Solche neuromorphen Computer könnten in Zukunft eine neue Generation von KI-Systemen antreiben, die sowohl leistungsstark als auch energieeffizient sind.

Die aktuelle Methodik konzentriert sich vorerst auf die Verbesserung der ersten Schicht von KI-Netzwerken. Das Team plant jedoch, den Ansatz in zukünftigen Modellen tiefer zu verankern. Die Anwendung in neuromorphen Computern könnte die Entwicklung von KI-Hardware revolutionieren, die von Grund auf auf biologischen Prinzipien basiert.

Diese Forschung unterstreicht das Potenzial der biomimetischen Ansätze in der KI-Entwicklung. Durch das Verständnis und die Nachahmung der komplexen Mechanismen des menschlichen Gehirns könnten zukünftige KI-Systeme nicht nur intelligenter, sondern auch ressourcenschonender und nachhaltiger gestaltet werden.

Fazit

Die Arbeit der University of Surrey stellt einen wichtigen Schritt in der Entwicklung effizienterer und nachhaltigerer KI-Systeme dar. Indem sie die komplexe und energiesparende Verdrahtung des menschlichen Gehirns imitieren, könnten die Forschenden einen Weg aufzeigen, den Energieverbrauch massiv zu reduzieren, während die Leistung von KI-Modellen erhalten bleibt oder sogar verbessert wird. Dies könnte weitreichende Auswirkungen auf die Zukunft der künstlichen Intelligenz haben, insbesondere im Hinblick auf den ökologischen Fußabdruck und die Skalierbarkeit der Technologie.

Bibliographie

- Murphy, Cash. "Mimicking the brain can improve AI performance." BBC News, 2. November 2025. - Murphy, Cash. "Mimicking the brain can improve AI performance." AOL.com, 2. November 2025. - Global Perspectives. "University of Surrey Mimics Neural Wiring for Efficient AI." YouTube, 2. November 2025. - University of Surrey. "University of Surrey's Post." LinkedIn, 30. Oktober 2025. - Knowridge. "Brain-inspired AI could slash energy use and boost speed, scientists say." Knowridge Science Report, 31. Oktober 2025. - ScienceDaily. "Edge processing research takes discovery closer to use in artificial intelligence networks." ScienceDaily, 18. Januar 2022 (aktualisiert: 2. November 2025). - University of Surrey. "Simulation mimics how the brain grows neurons, paving the way for future disease treatments." University of Surrey News, 10. Oktober 2024. - Surrey Research Park. "Research takes Surrey discovery closer to use in artificial intelligence networks." Surrey Research Park News, 26. Februar 2024. - Isin Surekcigil Pesch, Eva Bestelink, Olivier de Sagazan, Adnan Mehonic, Radu A. Sporea. "Multimodal transistors as ReLU activation functions in physical neural network classifiers". Scientific Reports, 2022; 12 (1) DOI: 10.1038/s41598-021-04614-9.