Nachhaltige Künstliche Intelligenz

Was wird erforscht?

Die Forschungsgruppe „Nachhaltige KI“ unter der Leitung von Jun.-Prof. Dr. David Kappel widmet sich der Untersuchung der Rechenkomplexität von Algorithmen für maschinelles Lernen, um deren Energieverbrauch bei gleichbleibender Leistungsfähigkeit erheblich zu reduzieren.

Unsere Mission

Moderne Architekturen für maschinelles Lernen (ML) verbrauchen beispiellose Mengen an Energie, wobei eine einzige Trainingseinheit oft den Energie- und CO2-Fußabdruck eines Autos über seine gesamte Lebensdauer übersteigt. Bei der derzeitigen Wachstumsrate könnten ML-Modelle den Transportsektor in der globalen Energiebilanz in 10 bis 20 Jahren überholen. Biologische Gehirne hingegen sind äußerst energieeffizient, was zeigt, dass es im Prinzip effiziente Lernsysteme gibt. Die Forschungsgruppe „Nachhaltige KI“ identifiziert die Mechanismen, die die bemerkenswerte Energieeffizienz biologischer Gehirne ermöglichen, und erforscht neue Ansätze, um den Energieverbrauch des maschinellen Lernens mithilfe hybrider ML/bioinspirierter Modelle deutlich zu reduzieren.

Forschungsprojekte

• EVENTS (Energieeffiziente verteilte Sensorsysteme für maschinelles Sehen: ereignisbasierte verteilte KI-Algorithmen) startete im Oktober 2022 im Rahmen des Förderprogramms „BMBF - OCTOPUS - Elektronische Systeme für vertrauenswürdige und energieeffiziente dezentrale Datenverarbeitung im Edge-Computing“. Ziel des Projekts ist die Entwicklung effizienter KI-Algorithmen, die für den Einsatz auf energieeffizienten neuromorphen Systemen für die Computer-Vision angepasst werden können. Das von der TU Dresden geleitete Projektkonsortium wird die entwickelten Algorithmen auf innovativer neuromorpher Hardware in verschiedenen Pilotanwendungen implementieren und testen. Weitere Informationen finden Sie auf der EVENTS-Projektwebsite.
• ESCADE (Energieeffiziente groß angelegte künstliche Intelligenz für nachhaltige Rechenzentren) startete im Mai 2023 und wird vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert. Ziel des Projekts ist die Entwicklung moderner großer, verteilter und energieeffizienter Modelle für maschinelles Lernen für komplexe Anwendungen wie die Verarbeitung natürlicher Sprache. Weitere Informationen finden Sie auf der ESCADE-Projektwebsite.