Deutsche Chips, die KI mit Lichtgeschwindigkeit rechnen

Es gibt Dinge, die man mit Licht einfach besser kann als mit Strom. Den Weg im dunklen Zimmer finden etwa. Aber auch bestimmte Berechnungen durchführen. Während jedes herkömmliche Computerrechensystem seit Jahrzehnten mit Strom arbeitet, setzt die Firma Q.ant aus Stuttgart auf Licht.

Seit den Vierzigerjahren basieren so gut wie alle Computer auf Strom. Sie fertigen ihre Berechnungen mit Milliarden winziger elektronischer Schalter an, die entweder in „An“- oder „Aus“-Stellung sind. Dieses binäre An oder Aus, Null oder Eins ist daher die Grundlage aller modernen Computer. Aber sie hat einige Schwachstellen.

Denn ein Computer, der auf Nullen und Einsen beruht, kann viele komplexe Berechnungen nicht direkt ausführen. Stattdessen ist die Maschine auf Umwege angewiesen. Und umso komplexer die Berechnung ist, desto größer ist auch der Umweg. Das Problem ähnelt dabei dem Versuch, eine Kurve mit einem Lineal zu zeichnen. Anstatt einfach freihändig zu malen, muss die Rundung in sehr viele kleine Striche zerlegt werden, die nach und nach gezeichnet werden. Das führt zu zusätzlicher Arbeit, um die einzelnen Schritte zu koordinieren, und ist sehr zeitaufwendig.

Der Weg zur Erleuchtung

Genau an diesem Problem setzen die Prozessoren von Q.ant an. Denn Lichtwellen können deutlich mehr Informationen enthalten als nur Nullen und Einsen. Über die Abstände zwischen Spitzen und Tälern der Welle, der Höhe derselben und ihrer Richtung sowie dem An und Aus des Lichts werden viele Informationen gleichzeitig in der schnellstmöglichen Art transportiert. Genau solche Lichtwellen als Datenträger erreichen jeden von uns unzählige Male am Tag durch Glasfaserkabel, die den globalen Internetverkehr bewegen. Kein anderes Medium kann mehr Daten bewegen oder ist dabei schneller als das Licht.

Wenn allerdings zwei Lichtwellen aufeinandertreffen, passiert noch mehr als das. Denn die beiden Lichtwellen formen zusammen eine neue Welle, vereinen ihre Kräfte und führen so eine natürliche Berechnung aus. In wortwörtlicher Lichtgeschwindigkeit und ganz ohne Umweg. Genau diese Prozesse steuert Q.ant auf ihren Native-Processing-Karten. Auf der Karte sitzt ein Chip, der Licht durch winzige, fest angelegte Bahnen führt. Kleine Bauteile teilen das Licht auf und führen es wieder zusammen. Elektrische Signale steuern dabei, wie die Lichtwellen gegeneinander verschoben werden. Beim Zusammenführen verstärken oder schwächen sie sich entsprechend ab. Dieses gezielt gesteuerte Verhalten lässt sich für Berechnungen nutzen.

Daher stammt der Name der Native Processing Unit (NPU), erklärt Michael Förtsch, der Gründer und CEO von Q.ant. Denn die photonischen Operationen finden nativ statt, also sofort und mit den wahren physikalischen Grössen. Das ist effizienter als mit Nullen und Einsen zu rechnen, wie es der digitale Computer tut. Was dort 1200 Schalter im komplexen Zusammenspiel orchestrieren müssen, erledigt in der photonischen Berechnung ein einziges Bauteil.

Die Nvidia-Strategie

Das Konzept der NPU wird verständlicher im Vergleich mit einer GPU (Graphics Processing Unit), die etwa der Platzhirsch Nvidia entwickelt. Dessen Karten sind aktuell die gefragteste Ressource für KI-Anwendungen. Genau wie die gerade erst auf den Markt kommenden Karten von Q.ant erweitern sie die Funktionalität eines existierenden Computers. Beide sind also an herkömmliche Computer angeschlossen, beschleunigen deren Rechengeschwindigkeit allerdings bei bestimmten Aufgaben enorm.

Nvidia nutzt das vor allem beim Ausführen von vielen gleichzeitig stattfindenden simplen Rechenschritten. In den Anfängen ihrer GPU-Karten wurden diese vor allem für Videospiele verwendet. Für andere Entwickler war es sehr anspruchsvoll und kaum den Aufwand wert, ihre Berechnungen für die Nvidia GPUs auszulegen. Nvidia investierte daher in die Entwicklung einer eigenen Programmierplattform namens Cuda. Diese ist darauf ausgelegt, die schwierige Arbeit im Hintergrund zu erledigen: die Berechnungen in ein GPU-kompatibles Format zu bringen. Nvidia nahm den Entwicklern damit die aufwendige Arbeit ab, ihre Berechnungen für die GPUs zu optimieren. Stattdessen konnten die Entwickler einfach grobe Anweisungen geben und die Cuda-Programmierplattform erledigte den Rest. Genau diese Einfachheit machte Nvidia zu dem Marktführer, der er heute ist.

Für ihre neuartigen photonischen Prozessoren ist es für Q.ant daher sinnvoll, eine ähnliche Strategie zu verfolgen. So will das Unternehmen im September einen Programmierwerkzeugkasten veröffentlichen, der Entwicklern das photonische Rechnen näherbringen soll. Er biete einen Einstieg, um erste Erfahrungen mit photonischen Berechnungen zu sammeln und erledige gleichzeitig im Hintergrund viel Vorbereitungsarbeit, um die Verwendung einfach zu gestalten.

Der zuständige Vizepräsident von Q.ant für Software, Utz Bacher, war vorher lange beim Chiphersteller IBM tätig und versteht, worauf es ankommt. Damit die volle Leistung des photonischen Rechnens abgerufen werden kann, muss die Vorbereitung von photonischem Prozessor und Anwendungen Hand in Hand laufen. Sein Team bei Q.ant hat deshalb viel Vorarbeit geleistet, um die Verknüpfung von bestehenden Anwendungen mit dem neuen Rechenmodell reibungslos zu gestalten. So soll die volle Effizienz des photonischen Prozessors freigesetzt werden.

Die gleiche KI-Leistung im kompakten Paket

Genau diese Effizienz kann auch für KI-Anwendungen zum Tragen kommen. Denn die photonische Rechenart könnte auch dabei helfen, KI-Modelle kleiner zu machen. Entscheidend dafür sind die Parameter, also die Zahlenwerte, aus denen ein Modell besteht und welche es beim Training anpasst. Sie bestimmen, wie ein Modell die aufgenommenen Informationen verarbeitet. Je mehr Parameter ein Modell hat, desto mehr Speicher benötigt es. Gleichzeitig steigt mit der Zahl der Parameter auch die Leistung. Genau wegen dieser Nachfrage an leistungsstarken Modellen erlebt die globale Lieferkette für Computerspeicher gerade einen Engpass und kann nicht genügend liefern. Die immer größeren Modelle auf die GPUs zu transferieren und dort zu betreiben, kostet immer mehr Zeit und Energie. Das wiederum lässt die Kosten weiter steigen.

Die Hoffnung von Q.ant ist daher, mit geeigneten mathematischen Funktionen mehr Modellleistung aus jedem Parameter herauszuholen. Denn auf der photonischen NPU lassen sich bestimmte Rechenschritte unmittelbar ausführen, die ein herkömmlicher Computer nur mühsam in vielen kleinen Einzelschritten nachbilden kann. Das ist eben der Unterschied zwischen der freihändig gemalten Kurve und den vielen kleinen Strichen mit dem Lineal. Mit diesen nicht linearen Rechenschritten kann ein KI-Modell komplexe Zusammenhänge mit weniger Parametern abbilden. Das würde kleinere Modelle mit gleichbleibend guter Leistung bedeuten.

Bislang verzichten die Entwickler von KI-Modellen allerdings weitgehend darauf und setzen auf einfachere Rechenmethoden, die herkömmliche Chips effizienter ausführen. Die geringere Leistungsfähigkeit gleichen sie mit mehr Parametern aus. Mehr Speicher war bislang schlicht das kleinere Übel. Macht die photonische Rechenweise die aufwendigeren Rechenschritte effizient, lohnen sich kleinere Modelle dagegen auch wirtschaftlich. Das wäre eine Erleichterung für den Ressourcenhunger der KI. Dafür stellt Q.ant Entwicklern eben jenen Werkzeugkasten zur Verfügung, mit dem sich KI-Modelle auf die Rechenweise der NPU zuschneiden lassen.

Der Praxisversuch: Rechnen auf den Q.ant-Chips

In unseren eigenen (nicht wissenschaftlichen) Versuchen mit dem Werkzeugkasten auf einem von Q.ant zur Verfügung gestellten Server mit einer NPU funktioniert das hervorragend. Ein kleines Sprachmodell, welches wir mit der Rechenweise der NPU trainieren, ist in unseren Tests 17,2 Prozent kleiner also herkömmliche Modelle bei gleichbleibender Leistung. Ein anderes kleines KI-Modell, das die wellenförmige Rechenweise der photonischen Hardware bestmöglich nutzt, um ein Signal zu rekonstruieren, schneidet sogar noch besser ab. Mit nur 48 Parametern und der komplizierten Rechenweise erreicht es bessere Ergebnisse als ein herkömmliches Modell mit mehr als 17.000 Parametern.

Unsere Experimente decken sich mit den Ergebnissen von Q.ant. Nach Angaben des Unternehmens liefert ein beispielhaftes, für die photonische Hardware optimiertes Modell mit nur 10.000 Parametern bessere Ergebnisse als das herkömmliche Vergleichsmodell mit rund 20.000 Parametern. Auch die Zahl der benötigten Rechenoperationen fällt geringer aus. Mit dem Programmierbaukasten können diese Modelle nun voll zur Geltung kommen. Damit die Nutzer sofort ins Ausprobieren kommen, enthält der Baukasten auch eine Art Simulator, mit dem sich durchspielen lässt, wie effizient eine jede Berechnung auf der photonischen Hardware wäre.

Blick auf das Rechenzentrum der Zukunft

Der Programmierbaukasten bereitet auch die breitere Veröffentlichung der NPUs von Q.ant vor. Denn in den kommenden Monaten werden die photonischen Prozessoren über die Partnerschaft mit dem Cloud-Anbieter Ionos auch der breiteren Öffentlichkeit verfügbar. Dann soll jeder mit Licht rechnen können. Der Programmierbaukasten bereitet also auch den Boden, damit Entwickler und Firmen die neue Technologie in Zukunft nutzen.

Das Rechenzentrum der Zukunft werde verschiedene spezialisierte Rechner miteinander verbinden, sagt Förtsch. CPUs, GPUs und photonische NPUs würden sich die Arbeit teilen, perspektivisch könnten auch Quantenprozessoren hinzukommen. Jede dieser Technologien solle die Aufgaben übernehmen, für die sie besonders gut geeignet sei. Die Hoffnung dahinter: Werden Berechnungen auf der jeweils effizientesten Hardware ausgeführt, könnten Energieverbrauch und Betriebskosten deutlich sinken. Die NPUs von Q.ant produzieren etwa deutlich weniger Abwärme als die GPUs.

So oder so, die Zukunft der Computer sieht blendend aus.