KI für die erfolgreiche Energiewende

Energieeffiziente KI

Künstliche Intelligenz (KI) ist unangefochten eines der Topthemen der Digitalisierung. Gleichzeitig tritt die Notwendigkeit zum Klimaschutz insbesondere in den letzten Jahren immer stärker in den Mittelpunkt. Während der KI enormes Potenzial für die erfolgreiche Energiewende als Grundvoraussetzung für die Eindämmung des Klimawandels zugesprochen wird, geht es immer häufiger auch um die Frage nach dem Energieverbrauch der Technologie selbst.

Die Anwendung von Algorithmen für unterschiedliche Prozesse ist aus der heutigen Welt nicht mehr wegzudenken. Die Datenverarbeitung und -analyse insbesondere in Form von intelligenten Algorithmen gilt als eine der Schlüsseltechnologien für die Digitalisierung, die in vielen Bereichen einen entscheidenden Faktor für innovative Geschäftsmodelle und disruptive Prozesse spielen wird. Insbesondere in der Energiewirtschaft wird dem Einsatz von KI ein enormes Potential zugesprochen.

Die Leistungsfähigkeit der immer komplizierter werdenden Verfahren der KI, wie dem maschinellen Lernen oder tiefen neuronalen Netzen konnten in den letzten Jahren aufgrund der verbesserten Datenverfügbarkeit und -qualität und der stetig steigenden Rechenleistung erheblich optimiert werden. Gleichzeitig führt die dazu notwendige Rechenleistung auch zu einem erhöhten Stromverbrauch und abhängigen vom jeweiligen Strommix zu erhöhten CO2-Emissionen und Kosten. Dies ist potentiell nicht nur ein Problem für die Umwelt, sondern auch für die wirtschaftliche und gesellschaftliche Anschlussfähigkeit.

Verteilte und dezentrale KI-Anwendungen, wie sie insbesondere auch in der zunehmend dezentral organisierten Energiewirtschaft vermehrt zum Einsatz kommen (z. B. autonomes Fahren, Edge AI), werden diesen Trend weiter beschleunigen. Im Sinne der Ziele der Energiewende gilt es daher den Energiebedarf von KI zu reduzieren, bzw. diese möglichst energieeffizient zu gestalten, um einen positiven Nettonutzen der KI-Anwendungen (z. B. Integration eines höheren Anteils erneuerbarer Energien in bestehende Netzinfrastrukturen) hervorzuheben. Eine wichtige Frage für die weitere Entwicklung der Schlüsseltechnologie KI ist demnach, wie der Energieverbrauch bei gleichbleibender Güte der Modelle reduziert werden kann.

Die Ziele dieses Pilotprojekts, welches das Future Energy Lab gemeinsam mit einem Forschungsteam des Fraunhofer Heinrich-Hertz-Institut durchführt, sind daher die Analyse und Demonstration energieeffizienter KI im Hinblick auf die Ausführung und die Übertragung von White-Box KI-Modellen und die Untersuchung weiterführender Energieeffizienz-Potenziale mit Fokus auf die speziellen Bedürfnisse in der Digital- und Energiewirtschaft.

Energieeffizienz bei der Ausführung von KI-Modellen

Die Energieeffizienzbetrachtungen bei der Ausführung von KI-Modellen sind stark von der verwendeten Hardware abhängig. Der Schwerpunkt liegt hierbei auf den Rechenzentren, in denen die Berechnungen ausgeführt werden. Die Art und Weise, wie Rechenbeschleuniger zurzeit verwendet und in Rechenzentren integriert werden, zeigt eine Reihe von Eigenschaften, die zu hochgradig ineffizienten Systemen in Bezug auf ihren Energieverbrauch führen. Im Rahmen des Projekts wird mit sogenannten FPGAs (Field Programmable Gate Array) für die Beschleunigung von KI-Algorithmen gearbeitet. Dabei soll untersucht werden, inwieweit dadurch der Stromverbrauch im Vergleich zu herkömmlich eingesetzten Rechenbeschleunigern reduziert werden kann.

Energieeffizienz bei der Übertragung von KI-Modellen

Zur systematischen Untersuchung von Energieeffizienzpotentialen bei der Übertragung von KI-Modellen adressiert das Projekt verschieden Konfigurationen beim Föderierten Lernen (engl. Federated Learning). Beim Föderierten Lernen handelt es sich um eine maschinelle Lernumgebung, in der viele Teilnehmer (z. B. mobile IoT-Geräte oder ganze Organisationen) kollaborativ ein globales KI-Modell unter der Orchestration eines zentralen Servers trainieren, während die Trainingsdaten dezentralisiert bleiben. Die Anwendung ist daher auch für die zunehmend dezentral organisierte Energiewirtschaft sehr relevant.

Als Ergebnis wird das Projekt erstmals ein anwendungsabhängiges Effizienz-Ranking für bestimmte Kompressionsmethoden erstellen, daraus Handlungsempfehlungen und Entscheidungshilfen ableiten und einen Demonstrator zur Visualisierung der Energieeinsparpotentiale bei der Übertragung von KI-Modellen entwickeln. Wissenschaftlich begleitet wird das Projekt durch ein Expertenteam des Fraunhofer Heinrich-Hertz-Instituts.

Ihr Kontakt