Künstliche Intelligenz (KI) kommt inzwischen in vielen Branchen zur Anwendung und kann auch sehr sinnvoll für Nachhaltigkeitsvorhaben eingesetzt werden – etwa zur Klassifikation von Müll, für nachhaltige architektonische Entwicklungen in der digitalisierten Stadt oder zielgenaues Fällen von Bäumen. Doch läuft KI, wenn sie mit großem Rechenaufwand betrieben wird, dem Ziel der Nachhaltigkeit nicht selbst zuwider? Vor allem die Analyse von großen Datenmengen hat meist einen hohen Energieverbrauch und erzeugt einen großen ökologischen Fußabdruck.
Ein Forschungsteam der Leibniz Universität Hannover (LUH) hat sich zum Ziel gesetzt, ressourcensparende KI-Anwendungen zu entwickeln. Das Gesamtprojekt, an dem verschiedene Institute der LUH und die VISCODA GmbH beteiligt sind, wird vom Bundesministerium für Umwelt, Naturschutz, nukleare Sicherheit und Verbraucherschutz mit rund 1,5 Millionen Euro gefördert (LUH-Anteil: 1,2 Millionen Euro). Die Wissenschaftlerinnen und Wissenschaftler betrachten dafür exemplarisch Fahrassistenzsysteme, die in Fahrzeuge eingebaut werden, um die Sicherheit, den Komfort oder auch die Wirtschaftlichkeit des Fahrens zu verbessern. Ziel ist eine deutliche Einsparung von Energie durch effizientere Algorithmen, Kommunikation und Hardware. Wenn dieses erfolgreich ist, ließe sich das im Projekt entwickelte ganzheitliche Konzept auf viele andere Bereiche übertragen, in denen KI beziehungsweise Deep Learning als Methode des maschinellen Lernens zum Einsatz kommt. Das im Frühjahr gestartete Forschungsvorhaben GreenAutoML4FAS, an dem mehrere Institute der Fakultät für Elektrotechnik und Informatik in Kooperation mit der VISCODA GmbH beteiligt sind, läuft zunächst bis Februar 2026.
Das so genannte „Grüne Fahrassistenz-System“ wird eine Reihe von Entwicklungen beinhalten, die maßgeblich zur Energieeinsparung beitragen. So sollen etwa Algorithmen optimiert werden, indem zum Beispiel anstelle von komplexen Berechnungen einfachere Operationen verwendet werden. Die Herausforderung besteht darin, trotz starker Vereinfachung genügend Informationen beizubehalten. Eine ähnliche Herausforderung existiert in der Datenkomprimierung: Welche Informationen sind zum Beispiel wichtig, damit weiterhin eine Person erkannt werden kann? Die Kommunikation zwischen Komponenten ist deutlich schneller und effizienter, wenn nicht alle Informationen, sondern nur die entscheidenden, verschickt werden. Die Effizienz von Software hängt grundsätzlich aber auch von der genutzten Hardware ab. Alle diese Aspekte können einzeln oder in Kombination verbessert werden. Das Team des Verbundprojekts hat sich zum Ziel gesetzt, durch die Summe der Maßnahmen die Energieeinsparung deutlich zu erhöhen.
Hinweis an die Redaktion:
Für weitere Informationen steht Ihnen Tanja Tornede, Institut für Künstliche Intelligenz, unter Telefon +49 511 762 19749 oder per E-Mail unter t.tornede@ai.uni-hannover.de gern zur Verfügung.
