KI und maschinelles Lernen hatten und werden zweifellos einen großen Einfluss auf periphere und zentrale elektronische Installationen haben und weiterhin haben, was sich auf den Elektroniksektor, das Gesundheitswesen, Haushalte usw. auswirkt.
Doch Intelligenz hat ihren Preis. Zwar hat sich KI in Bereichen wie Elektromotoren als vorteilhaft für die Verbesserung der Energieeffizienz erwiesen, doch viele andere Anwendungen führen zu einem erhöhten Energieverbrauch und beeinträchtigen somit die Nachhaltigkeitsziele.
Was kann in diesem Zusammenhang getan werden, um sicherzustellen, dass KI und ML in der Peripherie ihre Vorteile bieten, ohne die globalen Nachhaltigkeitsziele zu gefährden?
Die zwei Seiten der KI im Energieverbrauch:
In einigen Bereichen werden KI und Algorithmen für ihre Fähigkeit gelobt, Prozesse zu optimieren und Abfall zu reduzieren. So haben beispielsweise am Netzwerkrand implementierte KI-Algorithmen dazu beigetragen, intelligente Gebäudetechnologien zu verbessern und die Energieeffizienz durch die dynamische Regulierung von Heizung, Beleuchtung und Klimaanlage auf Basis von Echtzeit-Belegungsdaten zu steigern.
Auch autonome Fahrzeuge benötigen KI und KI-Modelle, um Verkehrsstaus zu erkennen und sicher zu bewältigen. Dazu analysieren sie Daten aus verschiedenen Sensoren, wie beispielsweise Bildsensoren (Abbildung 1), in Echtzeit. Allerdings verbrauchen KI und KI-Modelle Energie. Experten schätzen, dass Elektrofahrzeuge mit autonomem Level 4 rund 46 % ihrer Energie für die Steuerung der Elektronik und der KI-Modelle benötigen. 2
Abbildung 1: Autonome Fahrzeuge müssen eine Vielzahl von Variablen auswerten, um sicher fahren zu können (Quelle: adobe stock/scharfsinn86).
Während der Einfluss von Edge-KI auf den Energieverbrauch positiv sein kann, ist der Einfluss zentralisierter KI fast immer nachteilig. Große Rechenzentren, die generative KI betreiben und Edge-KI-Modelle trainieren, können die betriebliche Effizienz in der Praxis steigern, ihr Energieverbrauch ist jedoch beträchtlich (allein das Training von Chat GPT-3 verbrauchte schätzungsweise 1287 MWh Strom).
Die Herausforderung ist klar: Künstliche Intelligenz ermöglicht ein intelligenteres Management von Energie und Ressourcen, aber auch KI-Algorithmen verbrauchen Energie, wobei der Bedarf aufgrund der Komplexität ihrer Implementierung steigt.
Entwicklung energieeffizienter KI-Lösungen.
Grundsätzlich lässt sich der Einfluss von KI durch drei Ansätze reduzieren. Der erste Ansatz ist die Optimierung der Hardware, einschließlich unterstützender Komponenten wie Netzteile und KI-Beschleuniger (z. B. anwendungsspezifische integrierte Schaltungen und Grafikprozessoren). Eine Steigerung der Effizienz dieser Kernhardwarekomponenten erhöht die Effektivität der KI-Berechnungen, die operative Prozesse oder Aufgaben wie das Training und die Inferenz neuronaler Netze umfassen.
Alternativ dazu werden Ingenieure mit fortschreitendem Verständnis von KI auch Wege finden, den erheblichen Energieverbrauch komplexer KI-Modelle zu reduzieren. Techniken wie die Modellbereinigung – bei der redundante Teile eines neuronalen Netzes entfernt werden – und die Quantisierung – die die Präzision der Parameter eines KI-Modells verringert – können den Energiebedarf für Training und Inferenz deutlich senken. Dieser Trend ist besonders wichtig, da immer mehr Unternehmen KI-Lösungen für industrielle und Konsumanwendungen skalieren und das zentrale Training somit zu einem grundlegenden Bestandteil der Produktentwicklung wird.
Schließlich erweist sich die Integration erneuerbarer Energiequellen in die energieintensivsten KI-Anwendungen als attraktive Lösung, um den Bedarf an der notwendigen Verarbeitungstechnologie zu reduzieren.
Die Suche nach den idealen Komponenten:
Die Auswahl der richtigen Komponenten ist für Ingenieure, die Lösungen auf den Markt bringen wollen, die das sensible Gleichgewicht zwischen technologischem Fortschritt und Energieeffizienz erreichen, von entscheidender Bedeutung.
Zu diesem Zweck bietet Mouser Electronics eine breite Auswahl an Lösungen führender Hersteller weltweit sowie Ressourcen zur Weiterentwicklung der Kenntnisse und Fähigkeiten von Ingenieuren. Diese Lösungen decken sowohl Edge- als auch Core-KI ab und zielen darauf ab, den Energieverbrauch zu senken, die Hardware-Effizienz zu optimieren und die Nutzung erneuerbarer Energien zu ermöglichen.
Mouser bietet Netzteile an, die auf modernster Breitband-Halbleitertechnologie basieren und so einen effizienteren Einsatz zentralisierter KI ermöglichen. Das Rechenzentrumssortiment umfasst aktive Front-End-Gleichrichter, DC/DC-Wandler und Wechselrichter-Phasenprodukte mit Leistungen von 5 bis 60 kW.
Viele dieser Lösungen basieren auf Infineons hochmodernen CoolSiC™ Hybrid- und CoolSiC™ MOSFET-Technologien. Im Gegensatz zu herkömmlichen Silizium-MOSFET-Modulen halten Gehäuse, die vollständig oder teilweise aus Siliziumkarbid gefertigt sind, höheren Temperaturen und Spannungen stand und gleichzeitig die Leistungsverluste reduzieren. Ergänzend zu seinen Leistungskomponenten bietet Infineon digitale Leistungsregler der XDP™-Serie , die eine präzise digitale Steuerung der Leistungswandlung ermöglichen.
Die XDP-Serie ist ideal für die neueste Generation energieeffizienter 48-V-Serverarchitekturen. Durch die Optimierung der DC/DC-Wandlung erreichen XDP™-Controller Wirkungsgrade von bis zu 97 % und erfüllen damit die Anforderungen von KI-Workloads sowie die Energierückgewinnung aus Abfallströmen. Mit ihrer intuitiven grafischen Benutzeroberfläche, die Konfiguration und Überwachung vereinfacht, und hochentwickelten digitalen Steuerungsalgorithmen gewährleisten XDP-Controller eine schnelle Entwicklung und effiziente Leistung in intelligenten Netzteilen für Telekommunikationsinfrastrukturen, Server-Motherboards, Industrie-4.0-Anwendungen und andere High-End-48-V-Systeme.
Durch den Wechsel zu Siliziumkarbid-Hauptleistungskomponenten und die Verwendung fortschrittlicher Steuerungen und 48-V-Architekturen tragen Ingenieure dazu bei, KI-Server zu entwickeln, die Hochleistungsrechner liefern und gleichzeitig den Energieverbrauch und die Betriebskosten senken.
Der Katalog von Mouser umfasst auch Komponenten, die Ingenieuren bei der Entwicklung energieeffizienter Edge-KI-Implementierungen helfen. Intelligente integrierte Schaltkreise für das Energiemanagement (PMICs), wie beispielsweise der Energy-Harvesting-PMIC NEH2000BYJ (Abbildung 2), sind darauf ausgelegt, Energie aus Photovoltaikzellen zu gewinnen und so die Stromversorgung verteilter IoT-Knoten mit Solarenergie zu ermöglichen.
Abbildung 2: PMICs wie der NEH2000BY ermöglichen es, Peripheriegeräte mit erneuerbaren Energiequellen zu versorgen (Quelle: Mouser Electronics).
Solarbetriebene PMICs wie der NEH2000BYJ sind nur ein Baustein einer umfassenderen Strategie zur Entwicklung energieeffizienter Edge-KI-Geräte. Ingenieure müssen KI-Modelle optimieren, um den Stromverbrauch zu senken und so die Akkulaufzeit in Umgebungen ohne feste Stromquellen zu verlängern, beispielsweise in industriellen Sensorknoten oder intelligenten Luftqualitätsmessgeräten in Städten.
Das Energieoptimierungstool Otii Arc Pro erfasst das Energieprofil kleiner elektronischer Geräte wie IoT-Knoten sowie einzelner Komponenten wie Mikrocontroller und Sensoren und ermöglicht Echtzeitanalysen über längere Zeiträume. Für die Knotenentwicklung können Ingenieure dank der präzisen Strommessungen des Tools – zusammen mit der kompatiblen Otii Pro Battery Toolbox und Otii Pro Automation Toolbox– den Stromverbrauch KI-basierter Prozesse quantifizieren und so energieeffizientere Modelle entwickeln.
Fazit:
Der Aufstieg der KI eröffnet spannende Möglichkeiten, stellt Ingenieure aber auch vor erhebliche Herausforderungen. Die zunehmende Verbreitung von KI macht es unerlässlich, einen nachhaltigen Weg für sowohl dezentrale als auch zentrale Implementierungen zu finden. Dank Innovationen in der Hardwareeffizienz, fortschrittlichen Modelloptimierungstechniken und der Nutzung erneuerbarer Energien kann KI jedoch Fortschritte erzielen, ohne die Stromnetze zu überlasten. Für Ingenieure ist es daher entscheidend, die richtigen Komponenten – wie beispielsweise die von Mouser angebotenen – zu finden und zu integrieren, um zentrale und dezentrale KI-Systeme zu entwickeln, die ein optimales Verhältnis zwischen Leistung und Energieeffizienz gewährleisten.
Mark Patrick, Direktor für technische Inhalte, EMEA, Mouser Electronics
Noten:
2. https://news.climate.columbia.edu/2023/06/09/ais-growing-carbon-footprint/
