{"id":105621,"date":"2025-03-07T02:33:00","date_gmt":"2025-03-07T01:33:00","guid":{"rendered":"https:\/\/www.sonnenseite.com\/?p=105621"},"modified":"2025-03-06T17:34:20","modified_gmt":"2025-03-06T16:34:20","slug":"neue-methode-reduziert-stromverbrauch-von-ki-deutlich","status":"publish","type":"post","link":"https:\/\/www.sonnenseite.com\/de\/wissenschaft\/neue-methode-reduziert-stromverbrauch-von-ki-deutlich\/","title":{"rendered":"Neue Methode reduziert Stromverbrauch von KI deutlich"},"content":{"rendered":"\n

Das Training von neuronalen Netzen f\u00fcr K\u00fcnstliche Intelligenz (KI) erfordert enorme Rechenressourcen und damit sehr viel Strom. <\/p>\n\n\n\n

Forschende der Technischen Universit\u00e4t M\u00fcnchen (TUM) haben eine Methode entwickelt, die hundertmal schneller und damit wesentlich energieeffizienter funktioniert. Statt iterativ, also schrittweise vorzugehen, werden die Parameter auf Grundlage ihrer Wahrscheinlichkeit direkt aus den Daten berechnet. Die Qualit\u00e4t der Ergebnisse ist mit den bislang \u00fcblichen iterativen Verfahren vergleichbar.<\/p>\n\n\n\n

KI-Anwendungen, wie Large Language Models (LLMs), sind aus unserem Alltag nicht mehr wegzudenken. Die ben\u00f6tigten Rechen-, Speicher- und \u00dcbertragungskapazit\u00e4ten werden dabei von Rechenzentren zur Verf\u00fcgung gestellt. Doch der Energieverbrauch dieser Zentren ist enorm: 2020 lag er in Deutschland bei rund 16 Milliarden Kilowattstunden \u2013 etwa ein Prozent des gesamten deutschen Strombedarfs. F\u00fcr das Jahr 2025 wird ein Anstieg auf 22 Milliarden Kilowattstunden prognostiziert.<\/p>\n\n\n\n

Neue Methode ist hundertfach schneller und \u00e4hnlich genau<\/h4>\n\n\n\n

Hinzu kommt, dass in den kommenden Jahren komplexere KI-Anwendungen die Anforderungen an Rechenzentren noch einmal deutlich erh\u00f6hen werden. Diese beanspruchen f\u00fcr das Training von neuronalen Netzen enorme Rechenressourcen. Um dieser Entwicklung entgegenzuwirken, haben Forschende eine Methode entwickelt, die hundertmal schneller ist und dabei vergleichbar genaue Ergebnisse liefert wie bisherige Trainingsmethoden. Damit sinkt der ben\u00f6tigte Strombedarf f\u00fcr das Training erheblich.<\/p>\n\n\n\n

Neuronale Netze, die in der KI f\u00fcr Aufgaben wie Bilderkennung oder Sprachverarbeitung eingesetzt werden, sind in ihrer Funktionsweise durch das menschliche Gehirn inspiriert. Sie bestehen aus miteinander verkn\u00fcpften Knoten, den sogenannten k\u00fcnstlichen Neuronen. Diese erhalten Eingabesignale, die dann mit bestimmten Parametern gewichtet und aufsummiert werden. Wird ein festgelegter Schwellenwert \u00fcberschritten, wird das Signal an die darauf folgenden Knoten weitergegeben. Zum Training des Netzwerks werden die Parameterwerte anfangs normalerweise zuf\u00e4llig gew\u00e4hlt, zum Beispiel in einer Normalverteilung. Sie werden dann \u00fcber kleinste \u00c4nderungen angepasst, um die Netzwerkvorhersagen langsam zu verbessern. Da f\u00fcr diese Trainingsmethode viele Wiederholungen ben\u00f6tigt werden, ist sie extrem aufwendig und ben\u00f6tigt viel Strom.<\/p>\n\n\n\n

Parameter werden auf Grundlage ihrer Wahrscheinlichkeit ausgew\u00e4hlt<\/h4>\n\n\n
\n
\"Felix<\/a>
Felix Dietrich, Professor f\u00fcr Physics-enhanced Machine Learning<\/figcaption><\/figure>\n<\/div>\n\n\n

Felix Dietrich, Professor f\u00fcr Physics-enhanced Machine Learning<\/a> und sein Team haben nun ein neues Verfahren entwickelt. Statt die Parameter zwischen den Knotenpunkten iterativ zu bestimmen, basiert ihr Ansatz auf Wahrscheinlichkeitsberechnungen. Die hier gew\u00e4hlte, probabilistische Methode basiert darauf, gezielt Werte zu nutzen, die sich an kritischen Stellen der Trainingsdaten befinden. Sie fokussiert sich also auf die Stellen, an denen sich die Werte besonders stark und schnell \u00e4ndern. Die aktuelle Studie zielt darauf ab, mit diesem Ansatz energieerhaltende dynamische Systeme aus Daten zu lernen. Solche Systeme ver\u00e4ndern sich im Laufe der Zeit nach bestimmten Regeln und finden sich unter anderem in Klimamodellen oder auf dem Finanzmarkt.<\/p>\n\n\n\n

\u201eUnsere Methode erm\u00f6glicht es, die ben\u00f6tigten Parameter mit minimalem Rechenaufwand zu bestimmen. Dadurch k\u00f6nnen neuronale Netze erheblich schneller und dadurch energieeffizienter trainiert werden\u201c, erkl\u00e4rt Felix Dietrich. \u201eDar\u00fcber hinaus hat sich gezeigt, dass die neue Methode in ihrer Genauigkeit mit iterativ trainierten Netzwerken vergleichbar ist.\u201c<\/p>\n\n\n\n