KI-Energieverbrauch: Deutsche Forscher bauen Elektronik, die lernt

Licht aus in Schulen, Rechner aus in Behörden, Klimaanlagen runter: In Virginia zeigt sich, wie teuer der Stromhunger der KI wird. Rechenzentren ziehen immer mehr Energie aus dem Netz. Im Henrico County steigen die Stromkosten für öffentliche Gebäude deshalb um fast 25 Prozent.

Heutige KI-Chips haben ein Grundproblem: Sie trennen Rechnen und Speichern. Daten müssen ständig hin und her wandern, und dieser Transport frisst Energie. Das Gehirn arbeitet effizienter. Es verarbeitet Signale dort, wo Verbindungen entstehen, und verändert diese Verbindungen durch Erfahrung. Forscher der Universität Würzburg haben nun elektronische Bauteile entwickelt, die dieses Prinzip nachahmen sollen. Die Studie dazu stammt aus dem Exzellenzcluster ctd.qmat der Universitäten Würzburg und Dresden und erschien im Fachjournal Nature Communications.

Wie lernende Elektronik den KI-Energieverbrauch senken könnte

Die Forscher untersuchten Bauteile aus zwei Oxidmaterialien: Lanthanaluminat und Strontiumtitanat. Für sich genommen leiten beide Materialien keinen Strom. Treffen sie jedoch in einer speziellen Schichtstruktur aufeinander, entsteht an ihrer Grenzfläche eine extrem dünne leitfähige Zone. Diese Zone bildet die Grundlage für winzige elektronische Bauelemente, die mehrere Aufgaben übernehmen können.

Je nach elektrischer Verschaltung arbeitet ein einzelnes Bauteil als Transistor, Memristor oder Memcapacitor. Es kann also Strom schalten, Widerstände verändern oder elektrische Vorgeschichte speichern. Damit rücken Verarbeitung und Gedächtnis in derselben Struktur enger zusammen. In biologischen Nervensystemen entsteht Lernen ebenfalls dadurch, dass Verbindungen auf frühere Reize reagieren.

Ein winziger Baustein spart Platz auf dem Chip

Die untersuchte Struktur ist sehr klein. Sie nimmt rund einen Quadratmikrometer Fläche ein. Getrennte Bauteile mit ähnlichen Aufgaben bräuchten laut Berechnungen etwa vier- bis zehnmal mehr Platz. Auch die Verbindungen auf dem Chip könnten deutlich kürzer werden. Die Autoren rechnen mit 50 bis 70 Prozent weniger Verdrahtung, wenn mehrere Funktionen in einer Plattform zusammenfallen.

Für einen Praxistest nutzte das Team eine Aufgabe aus dem sogenannten Reservoir Computing. Dabei verarbeitet Hardware zeitliche Signalfolgen, ohne jede innere Verbindung aufwendig zu trainieren. Die Wissenschaftler verwendeten einfache Ziffernbilder von 0 bis 9. Die Muster waren bewusst grob gehalten, damit sich prüfen ließ, ob die Elektronik Abfolgen elektrischer Impulse unterscheiden kann.

Das System erhielt diese Muster als elektrische Pulsfolgen. Die Ausgangsspannung veränderte sich je nach Reihenfolge der Signale. Fast alle getesteten Muster ließen sich zuverlässig auseinanderhalten. Der Energievergleich fiel zugunsten der Schaltung aus Transistor und Memcapacitor aus: Sie brauchte deutlich weniger Energie als eine vergleichbare Variante mit Transistor und Memristor. Der Test ersetzt keine große KI-Anwendung, liefert aber einen Hinweis auf das Sparpotenzial solcher Hardware.

Was daraus folgt, lässt sich knapp zusammenfassen:

Die Technik steckt noch im Labor und ersetzt keine heutigen Rechenzentren.
Der Ansatz verbindet Rechnen und Speichern enger als klassische Chiparchitekturen.
Der niedrigere Energiebedarf wurde an einer speziellen Schaltung und einer einfachen Musteraufgabe gemessen.

Gesundheitsdaten könnten direkt am Körper ausgewertet werden

Die Wissenschaftler skizzieren auch eine mögliche Anwendung in der Gesundheitsüberwachung. Tragbare Sensoren messen heute bereits Herzfrequenz, Blutdruck, Körpertemperatur, Sauerstoffsättigung oder Blutzucker. Meist müssen Daten jedoch weitergeleitet oder von zusätzlicher Elektronik ausgewertet werden. Lernfähige Bauteile könnten bestimmte Entscheidungen direkt im Sensor vorbereiten.

In der Studie simulierten die Forscher ein einfaches Gesundheitsmodell. Eine Schaltung verarbeitete Herzfrequenz und Blutdruck sowie eine Voreinstellung für gesunde Menschen oder Menschen mit Herzerkrankung. Bei gesunden Personen löste erst die Kombination aus erhöhtem Puls und erhöhtem Blutdruck einen Alarm aus. Bei Herzpatienten reichte ein auffälliger Wert. Die Logik konnte also je nach Ausgangslage zwischen unterschiedlichen Entscheidungsregeln wechseln.

Laborarbeit trennt die Technik noch vom Alltag

Die Bauteile konnten Logikzustände auch speichern. Hohe Zustände blieben in Versuchen teils 1500 bis 2000 Sekunden erhalten. Ein niedriger Zustand bei einer bestimmten ODER-Schaltung hielt etwa 370 Sekunden. Solche Werte sind keine medizinischen Leistungsdaten, sondern Messungen an einem physikalischen Modell. Sie zeigen, dass sich Verarbeitung und Gedächtnis in derselben Struktur kombinieren lassen.

Die Forscher sehen darin einen möglichen Weg zu neuen integrierten Schaltungen. „Unsere Ergebnisse ebnen den Weg für oxidbasierte monolithische integrierte Schaltungen auf einer skalierbaren, siliziumkompatiblen und energieeffizienten Einzelplattform für polymorphes und neuromorphes Rechnen“, schreiben sie.

Bis daraus marktreife KI-Chips oder medizinische Sensoren entstehen, braucht es weitere Entwicklung. Die Richtung ist dennoch klar: Elektronik soll nicht nur schneller rechnen, sondern sparsamer mit Daten umgehen.

Kurz zusammengefasst:

Der KI-Energieverbrauch steigt, weil klassische Computer Rechnen und Speichern oft trennen und Daten dadurch ständig zwischen Prozessor und Speicher wandern müssen.
Forscher der Universität Würzburg haben Bauteile aus Oxidmaterialien vorgestellt, die je nach Verschaltung schalten, speichern und frühere elektrische Signale berücksichtigen können.
Noch ist die Technik Grundlagenforschung, doch sie könnte langfristig helfen, KI-Hardware sparsamer zu machen und Gesundheitsdaten direkt in Sensoren auszuwerten.

Übrigens: Auch Tech-Milliardär Jeff Bezos sucht nach sparsameren KI-Systemen. Ein von ihm finanziertes Start-up will verstehen, warum unser Gehirn mit rund 20 Watt lernt, während KI enorme Rechenzentren braucht. Mehr dazu in unserem Artikel.