Künstliche Intelligenz Neuer Algorithmus mach das Lernen von AI energieeffizienter

Der Einsatz von Artificial Intelligence (AI) ist mit hohem Energieverbrauch verbunden. Die an der TU Graz entwickelte Lernmethode e-prop soll die Grundlage für energieeffizientere Hardware-Implementierungen von Artificial Intelligence bilden.

Vor allem bei mobilen Anwendungen ist der hohe Energieverbrauch beim Lernen von künstlichen neuronalen Netwerken eine der größten Hürden für den breiten Einsatz von Artificial Intelligence (AI). Um das Problem zu lösen, kann man von Erkenntnissen über das menschliche Gehirn lernen: Denn obwohl es die Rechenleistung eines Supercomputer besitzt, benötigt es mit 20 Watt lediglich ein Millionstel von dessen Energie. Grund dafür ist unter anderem die effiziente Informationsweitergabe zwischen Neuronen im Gehirn. Denn diese senden dazu kurze, elektrische Impulse (sog. Spikes) an andere Neuronen. Allerdings nur so oft, wie notwendig, um Energie zu sparen.

Energiebasierte Informationsverarbeitung

Diese Funktionsweise hat sich eine Arbeitsgruppe rund um die beiden TU Graz-Informatiker Wolfgang Maass und Robert Legenstein bei der Entwicklung des neuen maschinellen Lernalgorithmus e-prop (kurz für e-propagation) zu eigen gemacht: Die Forschenden des Instituts für Grundlagen der Informationsverarbeitung, die auch Teil des europäischen Leuchtturmprojekts Human Brain Project sind, nutzen in ihrem Modell Spikes zur Kommunikation zwischen Neuronen in einem künstlichen neuronalen Netz. Erst wenn die Spikes für die Informationsverarbeitung im Netzwerk gebraucht werden, werden diese aktiv. Das Lernen ist für solche wenig aktiven Netzwerke eine besondere Herausforderung, da es längere Beobachtungen braucht, um zu ermitteln, welche Neuronenverbindungen die Netzwerkleistung verbessern.