Mit dem zunehmenden Einsatz Künstlicher Intelligenz steigt auch der Energiebedarf. Prognosen zufolge wird KI bis 2027 ein halbes Prozent des weltweiten Energieverbrauchs ausmachen - das entspricht dem jährlichen Energieverbrauch der gesamten Niederlande.
KI-Aufgaben energieeffizienter durchführen
Sieun Chae, Assistenzprofessorin für Elektrotechnik und Informatik, arbeitet daran, den Stromverbrauch der Technologie zu senken. Sie erforscht Chips, die auf einer neuen Materialplattform basieren, die sowohl Berechnungen als auch Datenspeicherung ermöglicht und die Art und Weise nachahmt, wie biologische neuronale Netze Informationen speichern und verarbeiten.
„Mit dem Aufkommen der KI sind Computer gezwungen, große Datenmengen schnell zu verarbeiten und zu speichern“, so Chae. „KI-Chips sind so konzipiert, dass sie Aufgaben im Speicher berechnen, wodurch der Datenaustausch zwischen Speicher und Prozessor minimiert wird; dadurch können sie KI-Aufgaben energieeffizienter durchführen.“
Die Chips enthalten Komponenten, die als Memristoren – kurz für Speicherwiderstände – bezeichnet werden. Diese bestehen in der Regel aus einem einfachen Materialsystem, das aus zwei Elementen besteht. Die in dieser Studie untersuchten Memristoren weisen jedoch ein neues Materialsystem auf, das als entropiestabilisierte Oxide (ESOs) bekannt ist.
Keine Energie geht mehr verloren
ESOs bestehen aus mehr als einem halben Dutzend Elementen, sodass ihre Speicherkapazität fein eingestellt werden kann. Memristoren sind biologischen neuronalen Netzen insofern ähnlich, als beide keine externe Speicherquelle haben – bei der Übertragung von Daten von innen nach außen und umgekehrt geht also keine Energie verloren.
Durch die Optimierung der ESO-Zusammensetzung, die für bestimmte KI-Aufgaben am besten geeignet ist, können ESO-basierte Chips laut Chae Aufgaben mit deutlich weniger Energieaufwand erledigen als die zentrale Recheneinheit eines Computers. Ein weiteres Ergebnis ist, dass künstliche neuronale Netze in der Lage sind, zeitabhängige Informationen wie Audio- und Videodaten zu verarbeiten, indem die Zusammensetzung der ESOs so angepasst wird, dass das Gerät auf verschiedenen Zeitskalen arbeiten kann.
Die von der National Science Foundation geförderte Studie wurde von Forschern der University of Michigan geleitet; Chae war dort Doktorand, bevor er an die Oregon State wechselte. Beteiligt waren auch Forscher der University of Oklahoma, der Cornell University und der Pennsylvania State University.
