Jensen Huang, Gründer CEO des US-amerikanischen Computerunternehmens NVIDIA, das in der Ki-Forschung weltweit mit Spitzenforschungseinrichtungen zusammenarbeitet, stellte diesen in seiner Keynote auf der GPU Technology Conference Europe GTC in München vor und verwies auf die herausragende Arbeit des DFKI im Bereich der Satellitenbildanalyse.
Prof. Dr. Andreas Dengel, Leiter des Forschungsbereichs Smarte Daten & Wissensdienste am DFKI in Kaiserslautern und Koordinator des Deep Learning Kompetenzzentrums freut sich über den Zuwachs im Serverraum: „Mit der Erweiterung unseres Machine Learning-Rechenzentrums um eine DGX-2 festigen wir die Stellung des DFKI als Nr. 1 in der Anwendung von Deep Learning-Verfahren für den industriellen Nutzen und schaffen eine europaweit einzigartige Infrastruktur für die Forschung im Bereich Lernender Systeme“.
Zu den Forschungsarbeiten, die mit der neuen Hardware weiter vertieft werden sollen, gehört die Analyse von Satellitenbildern zur Erkennung und Erfassung der aktuellen und zu erwartenden Auswirkungen von Naturkatastrophen, aus der Einsatz- und Rettungskräfte mit zeitkritischen Informationen unterstützt werden.
Ein Schlüsselthema für die Entwicklung lernender und autonomer Systeme und Gegenstand der DFKI-Forschung ist die Entschlüsselung der Verarbeitungswege tiefer neuronaler Netze. Neuartige Verfahren des DFKI sind dabei, erstmals Licht in die Vorgänge der „Black Box“ des Deep Learning zu bringen und helfen, deren Entscheidungsprozesse nachvollziehbarer zu machen.
Darüber hinaus sollen mit den neuen Rechenmöglichkeiten weitere zukunftsträchtige Potentiale erschlossen werden.
NVIDIA beschreibt die DGX-2 als das leistungsfähigste KI-System der Welt, das erstmals über eine Leistung von 2PetaFLOPS verfügt. Der KI-Supercomputer integriert 16 NVIDIA Tesla V100 Tensor Core GPUs, die über NVIDIA NVSwitch verbunden sind. Eine AI-Netzwerkstruktur, die einen Durchsatz von 2,5 TB pro Sekunde liefert. Seine revolutionäre Architektur erlaubt die Beschleunigung neuer KI-Modelltypen, die sich bislang nicht trainieren ließen. Damit sind die Komplexität und Größe von Modellen Neuronaler Netze nicht mehr durch die Grenzen herkömmlicher Architekturen eingeschränkt.
Der Ausbau der Machine Learning-Infrastruktur des DFKI wird im Rahmen einer gemeinsamen Schwerpunktsetzung zum Ausbau der Deep Learning-Forschung in Rheinland-Pfalz durch das Land gefördert.
