Technologischer Fortschritt und Energieverbrauch durch KI

Durch den Einsatz von KI kann eine einfache prozessgesteuerte elektronische Applikation in ein anspruchsvolleres System umgewandelt werden, das in der Lage ist, komplexe Funktionen wie Bilderkennung oder Entscheidungsfindung zu übernehmen. KI und maschinelles Lernen (ML) haben ohne Zweifel weitreichende Auswirkungen auf Edge- und zentralisierte elektronische Anwendungen, die in der Elektronikindustrie, im Gesundheitswesen, im Home-Bereich und auf vielen anderen Gebieten bereits heute zum Einsatz kommen. Diese Entwicklung wird sich noch verstärken.

Aber KI hat ihren Preis. Denn die KI hat zwar zur Verbesserung der Energieeffizienz beispielsweise bei Elektromotoren beigetragen, doch zahlreiche andere Applikationen erhöhen den Energieverbrauch und wirken sich negativ auf die globalen Nachhaltigkeitsziele aus.

Was kann man also tun, um sicherzustellen, dass KI und ML in Edge-Anwendungen tatsächlich ihre Vorteile entfalten, ohne die globalen Nachhaltigkeitsziele zu beeinträchtigen?

Die doppelten Grenzen der KI beim Energieverbrauch

In bestimmten Bereichen wurden KI und ML für ihre Fähigkeit gelobt, Prozesse zu rationalisieren und Verschwendung zu reduzieren. So haben beispielsweise ML-Algorithmen, die in Edge-Anwendungen eingesetzt werden, dazu beigetragen, die Technologien für intelligente Gebäude zu verbessern und den Wirkungsgrad von Heizung, Beleuchtung und Klimaanlagen anhand von Echtzeit-Informationen über die Belegung dynamisch zu regulieren.

Auch in autonomen Fahrzeugen ist die Integration von KI- und ML-Modellen unerlässlich, um stark befahrene Straßen zu verstehen und auf ihnen zu navigieren, wobei die Analyse von Daten aus unterschiedlichen Quellen wie z. B. Bildsensoren in Echtzeit einbezogen wird (Bild 1). KI- und ML-Modelle verbrauchen jedoch Energie. Automotive-Experten gehen davon aus, dass bei automatisierten, autonomen Elektrofahrzeugen der Stufe 4 rund 46 Prozent der Energie für die Steuerung der Elektronik und KI-Modelle verwendet wird. 

Während Edge-KI sich positiv auf den Energieverbrauch auswirken kann, sind die Auswirkungen von zentralisierter KI fast immer nachteilig. Die großen Rechenzentren, in denen generative KI betrieben und Edge-KI-Modelle trainiert werden, mögen zwar den Wirkungsgrad in der realen Welt erhöhen, doch ihr Energieverbrauch ist beträchtlich: Allein für das Training von Chat GPT-3 wurden schätzungsweise 1287 MWh Energie verbraucht. 

Die Herausforderung liegt auf der Hand: Mit Hilfe von KI kann zwar ein intelligenteres Energie- und Ressourcenmanagement erreicht werden, aber KI-Algorithmen verbrauchen auch Energie, und je anspruchsvoller der Einsatz ist, desto mehr Energie wird verbraucht.

Entwicklung energieeffizienter KI-Lösungen

Die Auswirkungen der KI-Nutzung lassen sich durch drei Ansätze verringern. Zum einen wird die Hardware weiterentwickelt, einschließlich unterstützender Bauteile wie Netzteile sowie KI-Beschleuniger wie anwendungsspezifische integrierte Schaltkreise (ASICs) und Grafikprozessoren (GPUs). Die Optimierung des Wirkungsgrads dieser Kernbauteile der Hardware kann zu einer höheren Effektivität bei KI-Berechnungen führen, die sowohl Betriebsprozesse als auch Aufgaben wie das Training neuronaler Netzwerke und Inferenzen umfassen.

 In dem Maße, in dem sich unser Verständnis von KI weiterentwickelt, können Entwickler auch Lösungen zur Reduzierung des erheblichen Stromverbrauchs komplexer KI-Modelle finden. Techniken wie das „Model Pruning“, bei dem redundante Teile eines neuronalen Netzwerks entfernt werden, oder die Quantisierung, bei der die Genauigkeit der Parameter eines KI-Modells reduziert wird, können erheblich dazu beitragen, die für Training und Inferenz benötigte Energie zu reduzieren. Diese Entwicklung ist besonders wichtig, da immer mehr Unternehmen dazu übergehen, KI-Lösungen sowohl für Verbraucher- als auch für Industrieapplikationen zu skalieren, und das zentralisierte Training zu einem wichtigen Bestandteil der Produktentwicklung wird.

Leistungsmodule mit hoher Stromdichte für GenAI

Der steigende Strombedarf von GenAI-Prozessoren stellt hohe Anforderungen an die Energieversorgung. Leistungsmodule mit hoher Stromdichte und optimierten Gehäusetechnologien verbessern die Effizienz für eine nachhaltigere Nutzung in Rechenzentren.

Und schließlich wird die Integration erneuerbarer Energiequellen in stromhungrige KI-Applikationen zu einer attraktiven Lösung, um den Energiebedarf der erforderlichen Prozesstechnologie zu senken.

 Auswahl der richtigen Bauteile

Wenn Entwickler Lösungen auf den Markt bringen wollen, die den schwierigen Ausgleich zwischen technologischem Fortschritt und Wirkungsgrad gewährleisten, ist die Auswahl der richtigen Bauteile von entscheidender Bedeutung.

Daher bietet Mouser Electronics eine umfassende Auswahl an Lösungen der weltweit führenden Elektronikhersteller sowie Ressourcen an, mit denen Entwickler ihre Kenntnisse und Fähigkeiten vertiefen und erweitern können. Diese Lösungen sind sowohl auf Edge- als auch auf zentralisierte KI ausgerichtet und zielen darauf ab, den Energieverbrauch zu senken, den Wirkungsgrad der Hardware zu optimieren und die Nutzung erneuerbarer Quellen zu ermöglichen.

 Das Portfolio von Mouser umfasst Netzteile, die mit der neuesten Technologie für Halbleiter mit großer Bandlücke betrieben werden und den Wirkungsgrad von zentralisierten KI-Installationen unterstützen können. Das von Infineon Technologies verfügbare Data Centre Lineup umfasst Produkte mit aktiven Front-End-Gleichrichtern, DC/DC-Wandlern und Umrichtern für Leistungen von 5 kW bis 60 kW.

 Viele dieser Lösungen basieren auf den hochmodernen CoolSiC-Hybrid- und CoolSiC-MOSFET-Technologien von Infineon. Im Vergleich zu herkömmlichen Silizium-MOSFET-Modulen arbeiten Module aus Vollsiliziumkarbid (SiC) oder hybride SiC-Module mit höherem Wirkungsgrad, halten höheren Temperaturen stand und können mit höheren Spannungen umgehen, während sie gleichzeitig geringere Leistungsverluste aufweisen. Zur Unterstützung seiner Bauteile bietet Infineon auch die XDP Digital Power Controller für eine präzise digitale Steuerung der Leistungsumwandlung an. 

KI fordert die Infrastruktur von Rechenzentren heraus

Künstliche Intelligenz treibt Rechenzentren an ihre Belastungsgrenze: Stromverbrauch, Wärmemanagement und knapper Platz fordern neue Lösungen. Mit der 48-V-Architektur und neuen MOSFETs lassen sich Effizienz und Leistung steigern.

Die XDP-Familie eignet sich insbesondere für die neueste Generation energieeffizienter 48-V-Server-Architekturen. Durch die Optimierung der DC/DC-Wandlung erreichen die XDP-Controller einen Wirkungsgrad von bis zu 97 Prozent und erfüllen damit die Leistungsanforderungen von KI-Anwendungen bei gleichzeitiger Minimierung von Energieverlusten. Die XDP-Controller verfügen über eine komfortable GUI für eine einfache Konfiguration und Überwachung sowie hochentwickelte digitale Steuerungsalgorithmen und gewährleisten eine schnelle Entwicklung und effiziente Leistung in intelligenten Netzteilen für Telekommunikationsinfrastrukturen, Server-Motherboards, Industrie-4.0-Applikationen und andere High-End-Systeme mit 48 V. 

Durch die Umstellung wichtiger Bauteile auf SiC sowie die Einführung moderner Controller und 48-V-Architekturen können Entwickler KI-Server entwickeln, die Hochleistung für KI-Computing bieten und gleichzeitig den Stromverbrauch und die Betriebskosten senken. 

Bauelemente für energiesparende Edge-KI-Implementierung

Das Angebot von Mouser umfasst auch Bauteile, die Entwicklern bei der Konzeption energiesparender Edge-KI-Implementierungen unterstützen. Intelligente integrierte Schaltkreise für das Leistungsmanagement (PMICs) wie der Energy Harvesting PMIC NEH2000BYJ von Nexperia (Bild 2) sind so konzipiert, dass sie Energie aus Photovoltaik-Zellen gewinnen und es somit möglich machen, verteilte IoT-Knoten mit Solarstrom zu betreiben.

PV-unterstützende PMICs, wie der NEH2000BYJ, sind nur ein Aspekt bei der Entwicklung energieeffizienter Edge-basierter KI-Bauteile. Die Entwickler haben die Aufgabe, die KI-Modelle zu optimieren, um den Stromverbrauch zu senken und die Lebensdauer der Batterien in Anwendungen ohne feste Netzteile zu verlängern, wie z. B. bei industriellen Sensorknoten oder Detektoren für die Luftqualität im Smart-City-Bereich.

Von Qoitech wurde das Otii Arc Pro Energy Optimization Tool entwickelt, um das Energieprofil von kleinen elektronischen Geräten wie IoT-Knoten sowie von einzelnen Bauteilen wie Mikrocontrollern und Sensoren zu erfassen und sowohl in Echtzeit als auch über längere Zeiträume zu analysieren. Bei der Entwicklung von IoT-Knoten kann die genaue Strommessung des Tools in Verbindung mit den unterstützenden Software-Lösungen Otii Pro Battery Toolbox und Otii Pro Automation Toolbox dazu beitragen, dass Entwickler den Stromverbrauch von KI-basierten Prozessen quantifizieren und so die Entwicklung von KI-Modellen mit geringerem Stromverbrauch vorantreiben können.

Fazit

Die Verbreitung von KI stellt sowohl eine spannende Chance als auch eine große Herausforderung für Entwickler dar. Da sich KI weiter entwickelt, ist es von entscheidender Bedeutung, einen nachhaltigen Weg sowohl für Edge-Anwendungen als auch für zentralisierte Implementierungen zu finden. Durch Innovationen in Bezug auf den Wirkungsgrad der Hardware, fortschrittliche Modelloptimierungstechniken und den Einsatz erneuerbarer Energiequellen kann KI jedoch weiterentwickelt werden, ohne dass die Stromnetze überlastet werden. Für Entwickler ist die Beschaffung und Integration der richtigen Bauteile, wie sie bei Mouser erhältlich sind, entscheidend für die Entwicklung von zentralen und Edge-KI-Systemen, die einen Ausgleich zwischen Leistung und Energieeffizienz schaffen. (na)