Selbstlernende Roboter, die gleichzeitig denken, sehen, planen und sprechen können – diesem Ziel will die Technische Universität Darmstadt dank des nun in Betrieb genommenen Computers der Reihe NVIDIA DGX-2 näherkommen.
Selbstfahrende Autos, medizinische Diagnosesysteme und intelligente Fertigungsroboter – Künstliche Intelligenz (KI) übernimmt immer mehr kognitiv anspruchsvolle Aufgaben, die bisher nur Menschen bewältigen konnten. Derzeit beschäftigt sich die Forschung damit, Maschinen die Fähigkeit des Lernens einzuprogrammieren. Durch Beispielsituationen sollen sie Muster erkennen und diese auf neue, ähnliche Situationen übertragen. Dafür wird häufig die Methode des Deep Learning (tiefen Lernens) benutzt. Es handelt sich dabei um eine spezielle Methode der Informationsverarbeitung: Auf Basis vorhandener Informationen und mittels eines künstlichen neuronalen Netzes kann das System das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch erneut lernen. Dabei werden große Datenmengen herangezogen und analysiert. Die Funktionsweise ist in vielen Bereichen vom Lernen im menschlichen Gehirn inspiriert.

Diese Unterform des Maschinellen Lernens funktioniert laut TU Darmstadt besonders gut mit auf Deep Learning optimierten Rechenmaschinen wie der NVIDIA DGX-2, die die Hochschule nun in Betrieb genommen hat. Die Architektur der DGX-2 soll zu einer Leistung von zwei PetaFLOPS führen und erlaubt damit die Beschleunigung neuer KI-Modelltypen, die sich bislang nicht trainieren ließen. Damit seien Komplexität und Größe neuronaler Netze nicht mehr durch die Grenzen herkömmlicher Architekturen eingeschränkt.

Die TU Darmstadt will mithilfe der neuen Hardware wesentliche Forschungsarbeiten vertiefen. Neben einem tieferen Verständnis von Bildern und Texten und einer Analyse von hyperspektralen Bildern zur Erkennung und Simulation von Pflanzenkrankheiten soll vor allem die Entwicklung von Robotern verbessert werden. Sie sollen nicht nur lernen, Menschen in Alltagssituationen zu unterstützen, sondern auch wissen, was Moralvorstellungen sind. Darüber hinaus sollen tiefe Netzwerke entwickelt werden, die wissen, wenn sie etwas nicht wissen.