Effizienteres Training von KI: Neue Methode spart Energie

MÜNCHEN (IT BOLTWISE) – Die Anforderungen an Rechenzentren steigen stetig, insbesondere durch das Training komplexer KI-Anwendungen. Forschende der Technischen Universität München haben nun eine Methode entwickelt, die den Stromverbrauch beim Training neuronaler Netze drastisch reduziert.

Das Training neuronaler Netze ist bekanntlich ein energieintensiver Prozess, der enorme Rechenressourcen erfordert. In einer Welt, in der Künstliche Intelligenz zunehmend in den Alltag integriert wird, ist die Effizienz des Trainingsprozesses von entscheidender Bedeutung. Forschende der Technischen Universität München haben eine innovative Methode entwickelt, die den Stromverbrauch beim Training von KI-Systemen erheblich senkt. Diese Methode basiert auf der direkten Berechnung von Parametern aus den Daten, anstatt sie schrittweise zu optimieren.

Traditionell werden die Parameter in neuronalen Netzen iterativ angepasst, was viele Wiederholungen und damit viel Energie erfordert. Die neue Methode der TU München hingegen nutzt Wahrscheinlichkeitsberechnungen, um die Parameter direkt zu bestimmen. Dies führt zu einer hundertfachen Beschleunigung des Trainingsprozesses, ohne die Genauigkeit der Ergebnisse zu beeinträchtigen. Diese Effizienzsteigerung ist besonders relevant, da der Energieverbrauch von Rechenzentren weltweit steigt.

Im Jahr 2020 betrug der Stromverbrauch von Rechenzentren in Deutschland etwa 16 Milliarden Kilowattstunden, was rund ein Prozent des gesamten Strombedarfs des Landes ausmachte. Für das Jahr 2025 wird ein Anstieg auf 22 Milliarden Kilowattstunden prognostiziert. Angesichts dieser Zahlen ist die Reduzierung des Energieverbrauchs beim KI-Training nicht nur eine technische Herausforderung, sondern auch eine ökologische Notwendigkeit.

Neuronale Netze, die für Aufgaben wie Bilderkennung oder Sprachverarbeitung eingesetzt werden, sind in ihrer Struktur vom menschlichen Gehirn inspiriert. Sie bestehen aus künstlichen Neuronen, die Eingabesignale empfangen und verarbeiten. Die neue Methode fokussiert sich auf die kritischen Stellen der Trainingsdaten, an denen sich die Werte besonders stark ändern. Dadurch wird der Rechenaufwand minimiert und die Effizienz maximiert.

Felix Dietrich, Professor für Physics-enhanced Machine Learning an der TU München, erklärt, dass diese Methode es ermöglicht, die benötigten Parameter mit minimalem Rechenaufwand zu bestimmen. Dies könnte nicht nur den Energieverbrauch senken, sondern auch die Entwicklung neuer KI-Anwendungen beschleunigen. Die Methode hat das Potenzial, in verschiedenen Bereichen wie Klimamodellen oder Finanzmärkten Anwendung zu finden, wo dynamische Systeme aus Daten gelernt werden müssen.

Die Implikationen dieser Entwicklung sind weitreichend. Unternehmen könnten ihre KI-Modelle schneller und kostengünstiger trainieren, was zu einer breiteren Anwendung von KI-Technologien führen könnte. Zudem könnte die Reduzierung des Energieverbrauchs einen positiven Beitrag zur Nachhaltigkeit leisten, indem der ökologische Fußabdruck von Rechenzentren verringert wird.

Insgesamt stellt die neue Methode der TU München einen bedeutenden Fortschritt in der KI-Forschung dar. Sie zeigt, dass es möglich ist, die Effizienz von KI-Systemen zu steigern, ohne Kompromisse bei der Genauigkeit einzugehen. Dies könnte den Weg für weitere Innovationen in der KI-Entwicklung ebnen und die Art und Weise, wie wir mit Technologie interagieren, grundlegend verändern.

Zu den Top-Stories!

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!

Angebot

1.915 Bewertungen

EIlik - Ein Desktop-Begleitroboter mit emotionaler Intelligenz, Multi-Roboter-Interaktionen, Desktop-Robotik-Partner

• NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.

169,00 EUR

Bei Amazon kaufen