Welcher Chip schafft es, in EKG-Daten Herzrhythmusstörungen und Vorhofflimmern mit mindestens 90 Prozent Genauigkeit zu erkennen und dabei am wenigsten Energie zu verbrauchen?“ Um diese Frage ging es bei einem Pilot-Innovationswettbewerb, den das Bundesforschungsministerium (BMBF) unter dem Motto „Energieeffiziente KI-Systeme“ gestartet hatte.
Künstliche Intelligenz: Das muss mit weniger Energie gehen
„Künstliche Intelligenz verschlingt heute noch zu viel Energie“, erklärte die Bundesforschungsministerin Anja Karliczek anlässlich der Auszeichnung der Sieger am 11. März. Die Technik biete aber enormes Potenzial für den Wirtschafts- und Innovationsstandort Deutschland und halte zunehmend Eingang in den Alltag der Menschen. Daher hatte das BMBF Hochschulen und Forschungseinrichtungen aufgerufen, sich mit den besten Ideen zur Entwicklung eines energiesparsamen KI-Chips zu bewerben. Vier Siegerteams bekommen nun die Chance, ihr Projekt mit jeweils rund 1 Mio. Euro an Fördermitteln weiterzuentwickeln.
EKG-Daten: DSGVO-gerechtes Material von der Charité
Zur Teilnahme am Wettbewerb hatten sich 27 Teams aus Hochschulen und Forschungseinrichtungen beworben, von denen elf Teams für die Finalrunde ausgewählt wurden. Diese Wettbewerbsprojekte begannen am 1. Oktober 2019 mit ihrer Arbeit und haben am 7. Januar 2021 ihre Ergebnisse vorgelegt. Die genutzten EKG-Daten stammen von der Charité Berlin. Alle Datensätze sind bisher unveröffentlicht, wurden komplett anonymisiert und entsprechend der DSGVO Richtlinien behandelt.
Alle technischen Möglichkeiten für die KI-Umsetzung wurden berücksichtigt
Der Wettbewerb gliederte sich in drei technologische Kategorien, die alle relevanten technologischen Umsetzungsmöglichkeiten berücksichtigten:
- FPGA (englisch: Field Programmable Gate Array – ein programmierbarer Logik-Schaltkreis),
- ASIC 130 Nanometer (englisch: Application-Specific Integrated Circuit für anwendungsspezifischer integrierter Schaltkreis) sowie
- ASIC 22FDX (englisch: Application-Specific Integrated Circuit, 22FDX, Fully-Depleted SOI Technologie) – hier ging es um anwendungsspezifische integrierte Schaltkreise mit besonderen Eigenschaften bei der Ansteuerung)
Energie sparen und schnell entwickeln
In der Kategorie FPGA wurde das Team vom Fraunhofer-Institut ITWM in Kaiserslautern und das Team von der Technischen Universität Kaiserslautern mit dem Projekt: „Holistischer Ansatz zur Optimierung von FPGA Architekturen für tiefe neuronale Netze via Auto-ML – Automatisches Maschinenlernen (Half)“ ausgezeichnet. Ihr Lösungsansatz in Half betrachtet den Energieverbrauch der Hardware und berücksichtigt die Suche nach einer geeigneten neuronalen Netzwerktopologie. So ist eine neue Methode entstanden, die sehr energieeffiziente FPGA mit kurzer Entwicklungszeit ermöglicht.
Wenn der KI-Algorithmus schläft
In der Kategorie ASIC 130 Nanometer siegte das Projekt „Low-Power Low-Memory Low-Cost EKG-Signalanalyse mit ML-Algorithmen (Lo3-ML)“, das vom Team der Universität Erlangen-Nürnberg zusammen mit dem Fraunhofer-Institut IIS in Erlangen bearbeitet wurde. Der Chip von Lo3-ML enthält nicht-flüchtige Speicher, so genannte RRAMs, sowie Ultra-Low-Power-Schaltungen zum Schreiben und Lesen. Im Vergleich zu einem „Always-On“-System ist damit eine Energieeinsparung von bis zu 95 % möglich, wobei das „Einsammeln“ der Daten erfolgt, während der KI-Algorithmus „schläft“. Dieser lässt sich schnell aufwecken und benötigt nur eine kurze KI-Verarbeitung.
Auswertung arbeitet wie Neuronen im Gehirn
In der Kategorie ASIC 22FDX gibt es zwei Sieger. Zum einen das Team von der Technischen Universität Dresden. Ihr Projekt „Zeitreihenklassifikation mit Ereignisbasierten Neuronalen Netzen (ZEN)“ stützt sich auf eine ereignisbasierte Verarbeitung. Sie ist an die Arbeitsweise der Neuronen im menschlichen Gehirn angelehnt und reduziert den Rechenaufwand stark. Die ZEN-Architektur konnte die Wettbewerbsaufgabe unter Einsatz sehr kleiner Parameterspeicher erfolgreich lösen. Sie ist darüber hinaus flexibel und für komplexere Anwendungen skalierbar.
Das Team der Hahn-Schickard-Gesellschaft für angewandte Forschung e. V. aus Villingen-Schwenningen und das Team von der Universität Freiburg zählen ebenfalls zu den Siegern. Ihr Projekt „Analyse von EKG Daten durch Energieeffiziente Entscheidungsbäume auf einem Rekonfigurierbaren ASIC (Generic)“ war erfolgreich, da die Entwicklung von Softwarealgorithmus und Hardware eng verzahnt war. Dabei wurden über den Entwicklungszeitraum kontinuierlich Eigenschaften der Hardware in die Optimierung der Softwareebene zurückgeführt.
