Studie der TU Graz und Intel Signifikante Energieeinsparungen durch neuromorphe Hardware

Von Martin Hensel

Anbieter zum Thema

Im Rahmen einer aktuellen Studie demonstrieren die Technische Universität Graz und Intel, dass der Einsatz neuromorpher Technologie in großen Deep-Learning-Netzwerken zu signifikanten Energieeinsparungen führt.

Eines der Nahuku-Boards von Intel, von denen jedes acht bis 32 neuromorphe Intel Loihi-Chips enthält.
Eines der Nahuku-Boards von Intel, von denen jedes acht bis 32 neuromorphe Intel Loihi-Chips enthält.
(Bild: Tim Herman / Intel Corporation )

Das Institut für Grundlagen der Informationsverarbeitung der TU Graz konnte gemeinsam mit Intel Labs experimentell nachweisen, dass ein großes neuronales Netz Sequenzen auf neuromorpher Hardware um das Vier- bis Sechzehnfache schneller als herkömmliche Hardware verarbeiten kann. Die Ergebnisse basieren auf Intels Forschungschip Loihi der ersten Generation. Dabei werden Erkenntnisse aus den Neurowissenschaften genutzt, um Chips nach dem Vorbild des menschlichen Gehirns aufzubauen. Die Ergebnisse der Forschung wurden im Fachblatt „Nature Machine Intelligence“ publiziert.

Energieverbrauch im Fokus

Der massive Energieverbrauch ist ein wesentliches Hindernis auf dem Weg zu einer breiteren Anwendung smarter KI-Methoden. Neuromorphe Technologie könnte hier einen Schub in die richtige Richtung liefern: Sie hat das menschliche Gehirn als Vorbild, das in Sachen Energieeffizienz beeindruckende Werte aufweist. So benötigen seine rund hundert Milliarden Neuronen für das Verarbeiten von Informationen nur etwa 20 Watt – kaum mehr Energie als eine durchschnittliche Energiesparlampe.

Das Team der TU Graz und Intel Labs konzentrierte sich bei seiner Arbeit auf Algorithmen, die mit zeitlichen Prozessen arbeiten. So musste das System zum Beispiel Fragen zu einer zuvor erzählten Geschichte beantworten sowie Beziehungen zwischen Objekten oder Personen aus dem Kontext erfasst. Als Hardware kamen dabei 32 Loihi-Chips zum Einsatz.

Biologie als Ideenlieferant

„Unser System ist vier- bis sechzehnmal energieeffizienter als andere AI-Modelle auf herkömmlicher Hardware“, erklärt Philipp Plank, Doktorand an der TU Graz. Mit der nächsten Generation der Loihi-Hardware könnte die Effizienz weiter steigen.

„Unsere Arbeit mit der TU Graz liefert weitere Beweise dafür, dass die neuromorphe Technologie die Energieeffizienz heutiger Deep-Learning-Workloads verbessern kann, indem ihre Implementierung aus der Perspektive der Biologie neu überdacht wird“, ergänzt Mike Davies, Direktor des Intel Neuromorphic Computing Lab.

(ID:48393330)

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung