Rechenzentren Wie KI deutlich energieeffizienter wird

Anbieter zum Thema

Deutsches Forschungszentrum f. Künstliche Intelligenz GmbH (DFKI)

Universität des Saarlandes

Deutsches Zentrum für Luft- und Raumfahrt (DLR)

FAULHABER Antriebssysteme

dataTec AG

mehr weniger

Schneider Electric GmbH

weniger

Weltweit sprießen Rechenzentren aus dem Boden – und Kraftwerke, die den Energiehunger der Künstlichen Intelligenz stillen. Wege, den Strombedarf der KI mit Hard- und Softwaretechnologien um bis zu 90 Prozent zu drosseln, hat ein Forschungskonsortium untersucht.

Fast jeder nutzt heute auf die eine oder andere Weise Künstliche Intelligenz. Was nicht jedem bewusst ist: Auch die kleinste Antwort vom Chatbot verbraucht Energie und Ressourcen. KI-Modelle mit Massendaten zu trainieren und zu betreiben, verschlingt weltweit Hunderte Terawattstunden. In globalen Dimensionen hinterlässt dies alles einen gewaltigen ökologischen Fußabdruck. Und mit der rasanten Entwicklung der Technologie wird der Bedarf steil ansteigen. Neue Rechenzentren werden riesige Flächen versiegeln, ebenso wie neue, gar fossile Kraftwerke, die die zusätzlich benötigte Energie liefern müssen. Die CO2-Emissionen werden ebenso massiv steigen wie der Wasserbedarf für Kühlung.

Daran, dieser Entwicklung entgegenzusteuern und Künstliche Intelligenz energieeffizienter zu machen, arbeitet ein Konsortium, das Professor Wolfgang Maaß leitet, der an der Universität des Saarlandes und am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) forscht. Drei Jahre lang hat das Konsortium verschiedene Methoden erforscht und neue Technologien entwickelt und erprobt. Ihre Ergebnisse haben die Forscher zum Projektabschluss nun vorgestellt.

Die Forscher haben KI-Modelle entwickelt, bei denen unwesentliche Parameter gar nicht erst verarbeitet werden und die dadurch sparsamer sind.

Knapp 90 Prozent weniger Energie dank komprimierte KI 

Das Team setzt zum einen auf kleinere, bedarfsgerechtere KI-Modelle, um den Energiehunger der KI zu drosseln und Ressourcen zu schonen. Heute verwendet KI riesige Datenmodelle. Ein Chatbot zum Beispiel nutzt für seine Antwort das komplette Datenmodell mit Billionen Parametern: Er durchsucht im übertragenen Sinn also eine ganze Bibliothek statt nur die Bücher mit relevantem Inhalt. Die Forscher haben deshalb KI-Modelle entwickelt, bei denen unwesentliche Parameter gar nicht erst verarbeitet werden und die dadurch sparsamer sind.

Sie filtern dafür das für den jeweiligen Aufgabenbereich wirklich nötige Wissen aus großen Lehrermodellen heraus und schaffen maßgeschneiderte, um bis zu 90 Prozent kleinere Schülermodelle. „Wir erzielen gute Ergebnisse damit, die KI-Modelle zu komprimieren, sie also kleiner und effizienter zu gestalten. In unseren Testläufen konnten wir zeigen, dass die Schülermodelle vergleichbare Leistung bringen, aber mit bis zu 89 Prozent weniger Energie auskommen“, sagt Sabine Janzen, promovierte Forscherin im Team von Wolfgang Maaß. Die für den konkreten Anwendungsfall zusammengestellten, schlankeren KI-Modelle arbeiten ohne große Infrastruktur. „Dadurch werden leistungsfähige KI-Modelle auch für mittelständische und kleinere Unternehmen zugänglich, was zuvor allein wegen der Größe der Modelle unmöglich war“, sagt Janzen.

Wir konnten mit der neuronalen Architektursuche die Genauigkeit des KI-Modells sogar verbessern.

Sabine Janzen, promovierte Forscherin im Team

Automatisch zum beste, energieeffizienten KI-Modell

Bei KI-Modellen, die digitale Bilddaten verarbeiten und erzeugen, nutzen die Forscher eine andere Methode, die sogenannte „Neuronale Architektursuche“. Das Verfahren findet hier automatisch die beste Architektur für künstliche neuronale Netze. Das Team konnte zeigen, dass sie die Modelle um knapp 90 Prozent verkleinern und den Energieverbrauch um 40 Prozent senken können.  Dabei büßen die Modelle nicht nur keine Leistung ein. „Wir konnten mit diesem Ansatz die Genauigkeit des Modells sogar verbessern“, sagt Sabine Janzen.

Beim maschinellen Lernen mit künstlichen neuronalen Netzen laufen die Lernprozesse ähnlich ab wie im menschlichen Gehirn. Während dieses ein Meister in Sachen Energieeffizienz ist – das menschliche Gehirn hat sich in der Evolution laufend optimiert und verarbeitet Informationen sehr energieeffizient –, braucht sein künstliches Pendant mit seinen effizienten Algorithmen enorm viel Rechenleistung und Strom: Künstliche neuronale Netzwerke werden heute noch aufwändig von Menschen zusammengestellt und so lange angepasst, bis sie gute Ergebnisse liefern. „Wir automatisieren diesen Vorgang mit neuronaler Architektursuche. Dabei testen wir verschiedene Netzstrukturen und optimieren diese weiter, sodass die Modelle leistungsfähig und effizient sind, aber weniger kosten“, erklärt Sabine Janzen.

Testfall: KI sortiert Stahlschrott automatisiert

Um solche energieeffizienteren KI-Methoden auch im industriellen Maßstab zu testen, arbeiten die Forscher seit 2022 im Rahmen des Escade-Projekts mit der SHS – Stahl-Holding-Saar zusammen.

Die SHS entwickelte ein sehr leistungsfähiges KI-Modell, das Stahlschrott automatisch klassifiziert und anhand von Kameraaufnahmen erkennt, welche Sorte Stahlschrott auf dem Hüttengelände geliefert wird. Seit 2024 hat die SHS ihr eigenentwickeltes, optimiertes KI-Modell im Einsatz, das Stahlschrott klassifiziert: Anhand von Kameraaufnahmen erkennt die KI die unterschiedlichen Schrotte, so dass vor dem Einsatz in der Produktion der Stahlschrott sortenrein getrennt werden kann.

Das neue KI-Modell wurde so komprimiert, dass es kompakt, energieeffizient und ähnlich leistungsfähig arbeitet wie ein mit klassischen Methoden erstelltes Modell.

Ziel im Rahmen des Escade-Projekts war es, ein KI-Modell mit annähernd ähnlicher Leistungsfähigkeit möglichst noch energieeffizienter zu gestalten. Das Forschungsteam hat ein leistungsfähiges visuelle KI-Modell zur Stahlschrottklassifizierung entwickelt. Dieses neue Modell wurde so komprimiert, dass es kompakt, energieeffizient und ähnlich leistungsfähig arbeitet wie ein mit klassischen Methoden erstelltes KI-Modell. Dies macht den Visual Computing-Prozess energiesparender. Dafür trainierten die Partner das Modell zunächst mit dem kompletten Datenpaket und sämtlichen Informationen und komprimierten es anschließend durch Wissensdestillation und automatisch zusammengestellte neuronale Netze. Die erarbeiteten Techniken lassen sich insbesondere auch auf andere visuelle KI-Modelle übertragen und können so auch in der Breite zu Energieeinsparungen beitragen.

Günstiger sortenrein

Sensoren und KI sortieren effizient Holz aus Sperrmüll

Unser Tool macht es möglich, Abläufe, die große Rechenleistungen erfordern, dann einzuplanen, wenn der Strompreis günstig ist.

Hannah Stein, Doktorandin im Forscherteam

Weitere Einsparpotenziale für nachhaltige Rechenzentren

Darüber hinaus zeigte das Konsortium Ende Juli Einsparpotenziale für Rechenzentren auf. Mit seinen Partnern erarbeitete das Saarbrücker Forschungsteam ein Konzept und Handlungsempfehlungen für energieeffiziente KI, mit denen Rechenzentren und KI-Anwender besser planen und unwirtschaftliche Abläufe erkennen können. Das Team erarbeitete hierfür ein Werkzeug, das zuverlässige Prognosen über den genauen Energieverbrauch und die Kosten der KI-Modelle ermöglicht. „Dieses Tool macht es etwa möglich, Abläufe, die große Rechenleistungen erfordern, dann einzuplanen, wenn der Strompreis günstig ist. Bislang können Entscheidungsträger nur schwer abschätzen, für welche Modelle sie wie viel Energie verbrauchen werden, weshalb es schwierig ist, wirtschaftlich zu planen“, erläutert die Doktorandin Hannah Stein, die an den energiesparenden KI-Methoden forscht.

Neuromorphe Chiptechnologien

Außerdem arbeitet das Forschungskonsortium im Bereich der Hardware an neuromorphen Chiptechnologien, das sind Mikroprozessoren, die ebenfalls die Funktionsweise des menschlichen Gehirns nachbilden. „Unsere Ergebnisse in diesem Hardware-Bereich deuten darauf hin, dass auch diese Technologie deutlich energieeffizienter arbeitet als die herkömmlichen Chips: In unseren Tests laufen diese bereits bis zu sechsfach effizienter. Aber hier ist weitere Forschung notwendig, dafür brauchen wir noch mehr Zeit“, erklärt Sabine Janzen.

praxisnah und technisch fundiert

Perspektiven für zukunftsfähige Energieversorgung von Produktionsbetrieben

Strompreise, KI-Rechenzentren, Netzengpässe: Energie entscheidet über die Zukunft der Industrie und den Produktionsstandort Deutschland. Doch wie sieht eine wettbewerbsfähige Energieversorgung für Fertigungsbetriebe konkret aus? Der INDUSTRIAL ENERGY SUMMIT vernetzt Entscheider, Ingenieure und industrielle Anwender und liefert Antworten: von der Energiebeschaffung über Eigenstromversorgung und Speicherkonzepte bis hin zu Effizienzstrategien in der Energienutzung.

Jetzt anmelden!