Probabilistisches photonisches Rechnen mit chaotischem Licht

• Antragsteller: Professor Dr. Wolfram Hans Peter Pernice
• Fachliche Zuordnung: Hardwaresysteme und -architekturen für die Informationstechnik und die Künstliche Intelligenz, Quantentechnische Systeme ; Kommunikationstechnik und -netze, Hochfrequenztechnik und photonische Systeme, Signalverarbeitung und maschinelles Lernen für die Informationstechnik ; Optik, Quantenoptik und Physik der Atome, Moleküle und Plasmen
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 543577862

Biologische neuronale Netze lösen mühelos einige der schwierigsten Rechenprobleme und eignen sich hervorragend für Vorhersagen bei verrauschten und unvollständigen Daten, die eine große Herausforderung für herkömmliche Rechenarchitekturen darstellen. Durch die Nachahmung neuronaler und gehirnähnlicher Architekturen haben sich künstliche neuronale Netze (ANN) als leistungsfähige Werkzeuge zur Interpretation komplexer Datenverteilungen und zur Erstellung von Vorhersagen erwiesen. Herkömmliche ANNs können jedoch als "Punktschätzungen" betrachtet werden, die die Unsicherheit in den Vorhersagen nicht erfassen, bei verrauschten und unvollständigen Datensätzen nicht gut funktionieren und dazu neigen, sich zu stark an die Trainingsdaten anzupassen. Bayes'sche neuronale Netze und allgemeinere probabilistische Berechnungsarchitekturen, die Bayes'sche Inferenz in neuronale Netze integrieren, bieten eine prinzipielle Möglichkeit zur Quantifizierung von Unsicherheiten. Beim probabilistischen Rechnen haben die zugrunde liegenden Netze nicht nur einen einzigen Wert als Parameter, sondern arbeiten mit Verteilungen über mögliche Parameterwerte. Dies erfordert naturgemäß einen rechenintensiven Ansatz für das Modelltraining und insbesondere für die Inferenz, da in jeder Netzwerkschicht häufig Stichproben durchgeführt werden. In diesem Projekt möchte ich parallele probabilistische Prozessoren realisieren, um diese Herausforderungen zu bewältigen. Die primäre Forschungsfrage ist, ob inhärentes Hardware-Rauschen für probabilistische Berechnungen nutzbar gemacht werden kann. Ziel ist es, einen großen Nachteil (Rauschen, das die Berechnungsgenauigkeit beeinträchtigen kann) in eine Stärke zu verwandeln (Reduzierung der Kosten probabilistischer Berechnungen durch Verwaltung der Unsicherheit). Dieses Konzept wird für die Zustandsschätzung, die stochastische Variationsinferenz, die Bayes'sche und die Gauß'sche Verarbeitung in hybriden probabilistisch-deterministischen neuronalen Netzen genutzt werden.

• DFG-Verfahren: Reinhart Koselleck-Projekte