Ein Forschungsteam unter der Leitung von Professor Wolfgang Maaß von der Universität des Saarlandes und dem Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) hat bedeutende Fortschritte in der Entwicklung energieeffizienter Künstlicher Intelligenz (KI) gemacht. Diese Initiative zielt darauf ab, die enormen Energieanforderungen, die mit dem Betrieb von Rechenzentren in Verbindung stehen, drastisch zu reduzieren. Am 30. Juli werden die Ergebnisse des vom Bundesforschungsministerium geförderten Projekts Escade präsentiert, bei dem innovative Ansätze zur nachhaltigen Nutzung von KI-Technologien im Mittelpunkt stehen.
In der heutigen digitalen Welt nutzen viele Menschen KI-Anwendungen, oft ohne sich der dahinterstehenden Energie- und Ressourcenanforderungen bewusst zu sein. Die Verarbeitung von Massendaten für das Training von KI-Modellen erfordert weltweit enorme Mengen an Energie, was zu einem signifikanten ökologischen Fußabdruck führt. Angesichts des exponentiellen Wachstums dieser Technologien ist es entscheidend, Wege zu finden, um den Energieverbrauch zu senken und gleichzeitig den Zugang zu leistungsfähigen KI-Tools für kleine und mittelständische Unternehmen zu ermöglichen.
Das Forschungsteam hat verschiedene Methoden entwickelt, um den Energiebedarf von KI-Systemen um bis zu 90 Prozent zu reduzieren. Eine der Hauptstrategien besteht darin, kleinere, bedarfsgerechte KI-Modelle zu verwenden. Traditionell nutzen KI-Anwendungen riesige Datenmodelle mit Billionen von Parametern, was den Energieverbrauch in die Höhe treibt. Die Wissenschaftler haben nun Modelle entworfen, die unwichtige Parameter von vornherein herausfiltern und dadurch deutlich weniger Ressourcen benötigen. Diese sogenannten „Schülermodelle“ sind maßgeschneidert und können die gleiche Leistung wie ihre größeren Pendants erbringen, jedoch mit einem erheblich geringeren Energieaufwand.
Ein konkretes Beispiel für diesen Ansatz ist die Entwicklung von KI-Modellen, die digitale Bilddaten verarbeiten. Das Team hat eine Methode namens „Neuronale Architektursuche“ eingesetzt, die es ermöglicht, automatisch die optimale Struktur für künstliche neuronale Netze zu finden. Dies hat nicht nur zur Reduzierung der Modelle um bis zu 90 Prozent geführt, sondern auch den Energieverbrauch um 40 Prozent gesenkt, während die Genauigkeit der Modelle sogar verbessert wurde.
Zusätzlich wurde das Potenzial der KI-Modelle in praktischen Anwendungen getestet, etwa in der Schrottsortierung für die SHS – Stahl-Holding-Saar. Hierbei wurde ein KI-Modell entwickelt, das in der Lage ist, verschiedene Arten von Stahlschrott anhand von Kameradaten zu identifizieren. Das Forschungsteam konnte das Modell so komprimieren, dass es effizienter arbeitet und gleichzeitig die Leistung des Stahlrecycling-Prozesses verbessert.
Neben der Entwicklung energieeffizienter Algorithmen beschäftigt sich das Konsortium auch mit der Optimierung von Rechenzentren. Mit Hilfe eines neu entwickelten Werkzeugs können Betreiber den Energieverbrauch und die Kosten von KI-Modellen genau prognostizieren. So ist es möglich, rechenintensive Prozesse zu planen, wenn die Strompreise niedrig sind, was eine wirtschaftlichere Nutzung der Ressourcen ermöglicht.
Ein weiterer innovativer Ansatz des Projektes sind neuromorphe Chiptechnologien. Diese Mikroprozessoren imitieren die Funktionsweise des menschlichen Gehirns und zeigen in ersten Tests eine bis zu sechsmal höhere Energieeffizienz im Vergleich zu herkömmlichen Chips. Allerdings sind weitere Forschungsarbeiten erforderlich, um dieses Potenzial vollständig auszuschöpfen.
Die Ergebnisse des Projekts Escade werden am 30. Juli im DFKI am Saarbrücker Campus vorgestellt, und die Öffentlichkeit, insbesondere Rechenzentrumsbetreiber und Technologieanbieter, ist eingeladen, an der Veranstaltung teilzunehmen. Die Entwicklungen in diesem Bereich sind nicht nur für die Umwelt von Bedeutung, sondern bieten auch kleineren Unternehmen die Möglichkeit, von leistungsfähigen KI-Modelle zu profitieren, ohne exorbitante Ressourcen investieren zu müssen.
Insgesamt stellt das Projekt einen vielversprechenden Schritt in Richtung einer nachhaltigeren KI-Nutzung dar und könnte dazu beitragen, den ökologischen Fußabdruck der Technologiebranche erheblich zu verringern.
