13. 05. 2025
Verfasst von: Marius Lindauer, Marcel Wever

Grüne KI – leistungsstark und energieeffizient

Verschiedene Waben symbolisieren Effizienz, intelligente Planung, Stromverbrauch, erneuerbare Energien und CO2-Fußabdruck. — KI-Anwendungen sollten nicht nur akkurat arbeiten, sondern auch energieeffizient sein. Automatisiertes maschinelles Lernen hilft dabei, beim Design neuronaler Netze die Leistungsfähigkeit und den Energieverbrauch gleichzeitig zu berücksichtigen.

Sollte ein KI-Modell hochgenau sein oder eher Energie einsparen? Am besten beides! Automatisiertes maschinelles Lernen kann Energieeffizienz als ein Leistungsmerkmal von Anfang an in den Designprozess integrieren. Hierfür entwickelt die Leibniz Universität Hannover automatisierte Werkzeuge als Entscheidungshilfe beim Design von neuronalen Netzwerken. Diese tragen dazu bei, die Umweltbelastungen durch KI zu reduzieren.

Automatisiertes maschinelles Lernen optimiert Design von neuronalen Netzwerken

Automatisiertes maschinelles Lernen (AutoML) hat sich als ein wirkungsvolles Werkzeug für die Entwicklung von KI-Anwendungen etabliert. Durch die Automatisierung komplexer und zeitaufwendiger Prozesse, wie die Optimierung von Hyperparametern oder die Suche nach neuronalen Architekturen, lassen sich auch ohne tiefgehendes Expertenwissen robuste und leistungsfähige Modelle effizient entwickeln. Doch in einer Welt, die zunehmend durch Klimawandel und Ressourcenverbrauch geprägt ist, rückt die Energieeffizienz von KI-Anwendungen stärker in den Fokus: Diese benötigen mitunter enorme Mengen an Energie und tragen somit erheblich zu den globalen CO₂-Emissionen bei. Daher ist es entscheidend, dass Entwicklerinnen und Entwickler von KI-Technologien neben der Leistungsfähigkeit auch Energieanforderungen berücksichtigen.

Optimum aus Performance und Energieverbrauch

„Automatisiertes maschinelles Lernen bietet die Werkzeuge, um den Spagat zwischen hoher Modellleistung und Energieeffizienz zu meistern“, stellt Prof. Dr. Marius Lindauer von der Leibniz Universität Hannover fest. AutoML kann maßgeblich zur grünen KI (engl. Green AI) beitragen, indem es Energieeffizienz als eine komplementäre Leistungsmetrik in den Designprozess integriert. Ein Schlüssel dazu ist unter anderem die sogenannte multikriterielle Optimierung, die Entscheidungsträgern optimale Kompromisse zwischen Vorhersagegenauigkeit und Energieverbrauch vorschlägt. „Entscheidende Beiträge dazu haben wir durch automatisierte Werkzeuge geleistet“, erklärt Mitarbeiter Dr. Marcel Wever.

Netzwerk auf richtige Größe skalieren

"Das Tool schlägt beispielsweise vor, wie groß das Netzwerk werden sollte oder wie stark man es komprimieren kann", führt Marcel Wever weiter aus. Neben der Designentscheidung in variantenreichen Szenarien geht es auch darum, die Qualität komprimierter Netzwerke automatisiert zu verbessern. Dabei gibt es viele Möglichkeiten, das Netzwerk auf die richtige Größe zu skalieren. Werden etwa Rechenoperationen mit Zahlen ausgeführt, die anstelle von sieben Stellen hinter dem Komma nur noch drei Stellen aufweisen, reduziert das sowohl den benötigten Speicher als auch den Energieverbrauch. Darüber hinaus gibt es neue Ansätze für die KI, Präferenzen von Menschen für Energieeffizienz zu erlernen.

Glossar: Maschinelles Lernen

Maschinelles Lernen (ML) ist ein Teilgebiet der künstlichen Intelligenz. ML entwickelt und verwendet Lernalgorithmen, die nach einem Training mit Beispieldaten auch für neue Daten korrekte Lösungen erzeugen können. AutoML sucht nach optimalen Designs von ML-Modellen. Es gibt verschiedene Lernstile wie überwachtes, unüberwachtes und bestärkendes Lernen.