Energieeffiziente KI: Neuromorphic Computing im Test

Künstliche Intelligenz gilt als Schlüsseltechnologie der Zukunft – aber auch als Stromfresser. Der Green-AI Hub Mittelstand zeigt mit dem SNN-Conversion-Demonstrator einen Anwendungsfall, wie sich KI nachhaltig einsetzen lässt. Das Prinzip: Sogenannte Spiking Neural Networks (SNNs), die dem menschlichen Gehirn nachempfunden sind. Im Vergleich zu herkömmlichen Künstlichen Neuronalen Netzen (ANNs) verbrauchen diese nur einen Bruchteil der Energie – bei ähnlicher Leistungsfähigkeit.

Mit dem SNN-Conversion-Demonstrator können Interessierte die Technologie selbst testen: In einer praxisnahen Simulation zur Zustandsüberwachung von Getrieben können Sie ein klassisches Künstliches Neuronales Netz (ANN) und ein bio-inspiriertes Neuronales Netz (SNN) miteinander vergleichen. Die Daten werden visuell dargestellt, analysiert und ausgewertet. Nutzer*innen können über den Parameter „Timesteps“ flexibel anpassen, wie lange das neuronale Netz auf Input „hört“. Anhand der Visualisierung können Nutzer*innen beobachten, wie sich verschiedene Timestep-Werte auf die Fehlerdetektion, Rechenzeit und Stromverbrauch auswirken.

Vergleich ANN vs SNN

Der Unterschied ist beeindruckend: In unseren Tests verbrauchte das SNN-Modell je nach Timestep-Wert bis zu 50-mal weniger Energie als das klassische ANN-Modell. Möglich macht das die sogenannte Neuromorphe Hardware, welche speziell für diese Art von KI entwickelt wurde.

Disclaimer: Für die Nutzung des Demonstrators ist der Zugang zu Xylo IMU-Hardware zur Energieüberwachung notwendig.

Hier finden Sie weitere Green-AI Hub Open Source Lösungen.