Hohe Steigerung der Energieeffizienz für KI-Anwendungen möglich

Im Berliner Future Energy Lab der Deutschen Energieagentur (Dena) wurde untersucht, wie sich die Energieeffizienz beim Training und beim Einsatz der Künstlichen Intelligenz (KI) steigern lässt. Konkret ging es dabei um bildklassifizierende KI-Anwendungen, die trainiert werden, um bestimmte Objekte auf Bildern zu erkennen. In immer mehr Bereichen kommt KI zum Einsatz, die viel Rechnerleistung benötigt.

Laut einer wissenschaftlichen Untersuchung an der Universität Amsterdam könnte allein die Nutzung von KI für standardmäßige Suchmaschinen bis zu 29,2 Milliarden kWh Strom verbrauchen. Diese Menge entspräche dem heutigen jährlichen Verbrauch Irlands. Um so wichtiger ist daher laut Dena, das Potenzial von KI zu nutzen und gleichzeitig den ökologischen Fußabdruck in einem verträglichen Rahmen zu halten.

Zwei Möglichkeiten untersucht

Das Future Energy Lab hat in Zusammenarbeit mit dem Fraunhofer Heinrich-Hertz-Institut (HHI) zwei Ansätze zur Steigerung der Energieeffizienz gängiger KI-Anwendungen untersucht. Zum einen beim Training einer KI über die Methode des sogenannten föderierten Lernens und zum anderen bei der Ausführung einer KI über eine neuartige Verschaltung spezieller Computerchips für die Anwendung in Rechenzentren.

Das föderierte Lernen bezeichnet eine KI-Trainingsmethode, bei der das KI-Modell nicht auf einem zentralen Server trainiert wird, sondern auf verschiedenen Endgeräten. Dies hat im Sinne des Datenschutzes den Vorteil, dass die Trainingsdaten bei den jeweiligen Eigentümern verbleiben. Auf jedem Endgerät wird ein kleines KI-Modell trainiert, das anschließend vom Endgerät an einen zentralen Server versandt wird. Auf diesem werden die Modelle zu einem großen Modell zusammengeführt.

Der Versand der Modelle zum zentralen Server verbraucht Strom. Im Projekt wurden verschiedene Modell-Kompressionsverfahren, die das zu versendende Datenvolumen verkleinern, auf Ihre Energiesparsamkeit untersucht. Dabei konnte eine Kompressionsmethode identifiziert werden, mit der sich der Stromverbrauch des Trainingsprozesses um 65 Prozent reduzieren lässt.

Optimaler Chipsatz spart Strom

Es gibt verschiedene Computerchips, die für die Ausführung einer KI besonders geeignet sind. Sogenannte Field-Programmable Gateway Arrays (FPGA) eignen sich besonders für die Ausführung bildverarbeitender KI-Anwendungen. Im Projekt ist es gelungen, mittels einer neuen Hardwarearchitektur die Chips so zu verschalten, dass weniger Rechenleistung für die Ansteuerung und Koordination der Chips benötigt wird. Dies senkte den Stromverbrauch für die untersuchten KI-Anwendungen um 31 Prozent.

Die Ergebnisse sind in der Studie Energieeffiziente künstliche Intelligenz für eine klimafreundliche Zukunft zusammengefasst, sodass Interessierte, KI-Entwickler und Rechenzentrumsbetreiber diese einsehen und anwenden können. Das Projekt wurde vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert. Perspektivisch eignen sich die Ergebnisse laut Dena auch als Grundstein für die Entwicklung von Energieeffizienzstandards für KI-Anwendungen, ähnlich der Energieeffizienzstandards für Elektrogeräte.

Die Studie „Energieeffiziente Künstliche Intelligenz“ steht im Internet bereit.