Spiking Neural Network Conversion – Demonstrator für energieeffiziente Zustandsüberwachung von Getrieben
Der Green-AI Hub SNN-Conversion-Demonstrator vergleicht ein herkömmliches Artificial Neural Network (ANN) mit einem Spiking Neural Network (SNN). Der Anwendungsfall der Zustandsüberwachung von Getrieben zeigt: Das Spiking Neural Network (SNN) ist um ein vielfaches energieeffizienter bei ähnlicher Leistungsfähigkeit.
Weitere (technische) Informationen finden Sie in unserem Fachartikel zum KI-Demonstrator auf Medium.
Grafik 1: Web-Dashboard mit Eingabemaske und grafischen Aufbereitungen der Sensordaten und des Energieverbrauchs.
Herausforderung: KI energieeffizient einsetzen
Die fortschreitende Integration von Künstlicher Intelligenz (KI) in zahlreiche Bereiche unseres Lebens bringt große Potenziale mit sich, stellt uns jedoch auch vor wachsende Herausforderungen. Herkömmliche Künstliche Neuronale Netze (ANNs), bilden die Grundlage für viele der großen Fortschritte im Bereich der Künstlichen Intelligenz. Sie werden zum Beispiel häufig in der Produktion zur Zustandsüberwachung eingesetzt. Anhand von Input-Daten von Bildern oder Sensoren kann so die Qualität der Produkte überwacht werden. Die Krux: Sie erfordern sehr hohe Rechenleistung und verbrauchen dadurch große Mengen an Energie.
Lösung: Spiking Neural Networks
Der SNN-Conversion Demonstrator des Green-AI Hub Mittelstand bietet eine interaktive Plattform zur Demonstration und Analyse von Spiking Neural Networks (SNNs) im Vergleich zu herkömmlichen Künstlichen Neuronalen Netzen (ANNs). Spiking Neural Networks (SNNs) sind dem menschlichen Gehirn nachempfunden und ähnlich leistungsfähig, aber wesentlich energieeffizienter als klassische Neuronale Netze. Ziel ist es, die Potenziale von SNNs für eine ressourcenschonendere KI aufzuzeigen.
Ressourceneinsparung
Der Demonstrator veranschaulicht und quantifiziert Effizienzeinsparungen, welche bei dem Einsatz von SNNs (im Vergleich zu ANNs) möglich sind. Durch die Echtzeit-Energieüberwachung während der Ausführung des KI-Modells können Nutzer*innen sehen, wie viel Energie das ANN im Vergleich zu dem SNN verbraucht, je nach der ausgewählten Menge der Timesteps.
Nutzung des SNN-Conversion-Demonstrators
Für die Nutzung des Demonstrators ist der Zugang zu Xylo IMU-Hardware zur Energieüberwachung notwendig. Ist dies gegeben, kann die Software, wie auf GitHub erklärt, installiert werden. Anschließend können Sie den Demonstrator über die Webschnittstelle nutzen. Der Anwendungsfall ist die Zustandsüberwachung von Getrieben anhand von simulierten Sensordaten. Diese Daten werden dann jeweils von einem klassischem Neuronalen Netz (ANN) und einem Spiking Neural Network (SNN) verarbeitet. Über den Parameter „Timesteps“ können Nutzer*innen einstellen, wie lange das SNN auf Input „hört“ und folglich, wie viele Daten es zur Verfügung hat und verarbeitet. Anhand der grafischen Visualisierung können Nutzer*innen beobachten, wie sich verschiedene Timestep-Werte auf die Fehlerdetektion, Rechenzeit und Stromverbrauch auswirken.
Grafik 2: Schematische Darstellung des SNN-Conversion Demonstrators.
Funktionen
- Modelle vergleichen: Führen Sie die Inferenz zwischen SNN- und ANN-Modellen aus und vergleichen Sie diese.
- Echtzeit-Energieüberwachung: Verfolgen Sie den Energieverbrauch während der Modellausführung.
- Sensordaten-Simulation: Streamen Sie simulierte Sensorwerte zum Testen.
- Interaktives Web-Dashboard: Steuern Sie Experimente über eine benutzerfreundliche Oberfläche.
- Parallele Ausführung: Führen Sie die Inferenz von ANN und SNN gleichzeitig für den direkten Vergleich aus.
Der SNN-Conversion-Demonstrator wurde im Rahmen des Green-AI Hub Mittelstands entwickelt. Der Green-AI Hub Mittelstand ist eine KI-Initiative des Bundesministeriums für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit, koordiniert durch die Zukunft – Umwelt – Gesellschaft (ZUG) gGmbH. Der Demonstrator wurde vom Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) entwickelt.
