Energiesparsamer KI-Chip gewinnt Innovationswettbewerb

„Welcher Chip schafft es, in EKG-Daten Herzrhythmusstörungen und Vorhofflimmern mit mindestens 90 Prozent Genauigkeit zu erkennen und dabei am wenigsten Energie zu verbrauchen?" So lautet die Aufgabe des Pilotinnovationswettbewerbs 'Energieeffiziente KI-Systeme' des Bundesfor schungsministeriums (BMBF). Die Sieger wurden von Bundesforschungsministerin Anja Karliczek ausgezeichnet – mit dabei das Fraunhofer-Institut für Integrierte Schaltungen IIS gemeinsam mit der Friedrich-Alexander-Universität Erlangen-Nürnberg.
Bild: VDI/VDE-IT

Besonders energieeffiziente Verarbeitung von Zeitreihensignalen – das ist das Thema des Projekts Lo3-ML ‚Low-Power Low-Memory Low-Cost EKG-Signalanalyse mit ML-Algorithmen‘. Im Projekt wurde dafür ein Chip für KI-Berechnungen entwickelt –genauer: für Deep Learning, um bei EKG-Signalen zu analysieren, ob der Patient gesund ist oder unter Herzvorhofflimmern leidet. Der Clou dabei: Ein Teil des Chips, nämlich die Signalverarbeitung, wird quasi schlafengelegt, solange diese nicht benötigt wird – das spart bis zu 95 Prozent der Energie. Die entwickelte Schaltung ist auch für andere Anwendungen nutzbar, bei denen Zeitreihensignale verarbeitet werden– z.B. für Anomaliedetektion oder Predictive Maintenance.

Der Chip nutzt mehrere innovative Konzepte

Durch die Verwendung von speziellen systolischen Arrays kann die zur Ablaufsteuerung benötigte Energie stark gedrückt werden. Es werden nur die drei Gewichtswerte -1, 0 und +1 verwendet sowie Normierungen mit Zweierpotenzen, was einerseits einen hochflexiblen Algorithmus erlaubt, mit denen aber andererseits die Gewichtung bzw. Normierung äußerst effizient implementiert werden kann. Der Chip enthält nicht-flüchtige Speicher, sogenannte RRAMs, samt Ultra-Low-Power-Schaltungen zum Schreiben und Lesen, die genau diese ternären Werte sehr effizient speichern können. Diese nicht-flüchtigen Speicher erlauben es, die Signalverarbeitung über lange Phasen schlafenzulegen, um keine Energie zu verbrauchen. Bei typischen Signalbandbreiten im (Sub-) kHz-Bereich fließen nämlich die Daten viel langsamer in den Chip ein, als sie verarbeitet werden können. Das Aufsammeln dieser Daten durch einen wachen Chip-Teil, während der KI-Algorithmus schläft, gefolgt vom Aufwecken – dank der RRAMs stehen alle Parameter sofort zur Verfügung – und einer kurzen KI-Verarbeitung kann deshalb bis zu 95% der Energie sparen im Vergleich zu einem ‚Always-On‘-System.

Ein weiterer Preis ging an das Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM und die Technische Universität Kaiserslautern für das Projekt ‚Holistischer Ansatz zur Optimierung von FPGA Architekturen für tiefe neuronale Netze via AutoML – Automatisches Maschinenlernen (HALF)‘.

Der Wettbewerb des Bundesministeriums für Bildung und Forschung dient als Ideenradar im Vorfeld der Gründung der Agentur für Sprunginnovationen. Zur Teilnahme am Wettbewerb hatten sich 27 Teams aus Hochschulen und Forschungseinrichtungen beworben, von denen elf Teams für die Finalrunde ausgewählt wurden. Jedes Siegerprojekt bekommt als Preis die exklusive Möglichkeit, ein Forschungsprojekt zur Umsetzung seiner Idee mit Anwendungspartnern in Höhe von 1 Million Euro einzureichen.

Thematik: Newsarchiv
| News
Fraunhofer-Institut IIS

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige