Licht statt Strom: So lässt sich bei Berechnungen viel Energie sparen

Eine der wichtigsten Aufgaben im Bereich des High-Performance-Computings (HPC) ist derzeit das Training von Maschinenlern-Algorithmen für KI-Anwendungen. Die dahinterstehenden Simulationen neuronaler Netzwerke können selbstständig lernen, Muster zu erkennen und darauf aufbauend Lösungen für bestimmte Probleme zu finden. Das erfordert allerdings ein Training anhand der Auswertung extrem großer Datenmengen.

Aktuell setzt man hier für das Schaffen besonders ausgeklügelter KI-Systeme darauf, zahlreiche GPUs an dem jeweiligen Problem rechnen zu lassen. Das Limit liegt hier neben der verfügbaren Hardware auch in dem enormen Energiebedarf, der die Betriebskosten der Trainingssysteme immer weiter steigen lässt. An der George Washington University konnte man den Verbrauch aber erheblich reduzieren, indem man optische Prozessoren zum Einsatz brachte.

Licht braucht wenig Strom

Solche Chips arbeiten nicht mit der Leitung von Elektronen durch leitende Bahnen. Diese werden in optischen Leitern durch Photonen ersetzt. In Verbindung mit entsprechenden optischen Arbeitsspeicher-Modulen konnte die Performance bei KI-typischen Datenanalysen um den Faktor Zwei bis Drei gesteigert werden, so die Forscher in ihrem zugehörigen Paper, das im Journal Applied Physics Reviews veröffentlicht wurde.

Doch nicht nur die Rechenleistung übertraf das herkömmliche Verfahren. Auch die Energieeffizienz erwies sich als vergleichsweise hoch. Die gleiche Menge an Informationen konnte mit einem Bruchteil des Energieeinsatzes analysiert werden, hieß es. Angesichts dessen, dass der Stromverbrauch im KI-Sektor immer weiter steigt, könnte sich hier ein Ansatz für weitergehende Optimierungen finden.

Optische Rechensysteme sind in den Labors immer wieder Gegenstand der Forschung. In der Praxis spielen sie allerdings noch keine größere Rolle. Denn es bedurfte stets noch gravierender Ressourcen, um die Systeme zur Marktreife zu bringen. Dabei hätten sie zwar Vorteile gebracht, aber kaum in einem Umfang, der die enormen Kosten gerechtfertigt hätte. Das könnte in diesem Fall allerdings anders aussehen, da die Komplexität der KI-Systeme und damit ihr Energieverbrauch beim Training rasant nach oben geht.

Siehe auch: