Tiefe Neuronale Netze – statistische Verfahren des maschinellen Lernens – sind elementarer Bestandteil der künstlichen Intelligenz (KI). Sie erkennen Muster, analysieren Bilder und verarbeiten Sprache. Aber: Sie sind auch für einen zunehmenden Anteil der Rechenlast und damit für den Energieverbrauch sowie den CO2-Ausstoß in Rechenzentren verantwortlich. Forschende der Universität Paderborn arbeiten im Rahmen eines neuen Forschungsprojekts jetzt daran, die Energieeffizienz von solchen KI-Systemen zu verbessern, indem sie versuchen, die Anzahl und die Genauigkeit der notwendigen Berechnungen deutlich zu verringern. Zum Einsatz kommt dabei programmierbare Hardware in Form sogenannter FPGAs (field programmable gate arrays) anstatt der üblichen Zentralprozessoren (CPUs) und Grafikprozessoren (GPUs).
Das Fachgebiet Technische Informatik und das Paderborn Center for Parallel Computing (PC2) der Universität Paderborn, das über eines der weltweit leistungsfähigsten FPGA-Systeme verfügt, beschäftigen sich schon seit längerem mit dem energieeffizienten Rechnen mithilfe von FPGAs, auch für KI-Anwendungen. Mit dieser Forschung will das Team nicht nur den Energieverbrauch von KI-Systemen reduzieren, sondern ihn auch quantitativ bewerten und für die Nutzerinnen und Nutzer von KI-Systemen transparent machen. Erste Ergebnisse werden schon nächstes Jahr erwartet.
Neben der Universität Paderborn sind die Hochschule Hamm-Lippstadt, die Fachhochschule Südwestfalen, das HPC-Unternehmen MEGWARE (Chemnitz) und die AMD Research Labs in Irland an dem Projekt beteiligt.
Zum Nachlesen
- Universität Paderborn (13.09.2023): Energieeffiziente künstliche Intelligenz soll Stromverbrauch und CO2-Ausstoß in Rechenzentren reduzieren
