Energieoptimierte analoge Schaltungen für deep neural networks (ENERGICS)

Das Projekt ENERGICS ist ein BMBF-Projekt in Kooperation mit der Professur für Kardiovaskuläre Bioinformatik (Prof. Marcel Schulz) FB16 Medizin. Es findet im Rahmen der Projekts Energieeffizientes KI-System als Wettbewerbsprojekt statt. Die Universität Frankfurt startet in der 130nm Klasse.

Energieeffiziente KI-Systeme sind für die Zukunft von herausragender Bedeutung. So werden Ziele wie beim autonomen Fahren die Bilderkennung oder bei medizinischen Anwendungen eine Diagnose oder lediglich Sprach- oder Texterkennung durch trainierte neuronale Netze zur Klassifikation (CNNs) erreicht. In jedem Falle benötigt diese, häufig verwendete Lösung erhebliche Energie, da zahlreiche Rechenoperationen durchgeführt werden müssen. Bei Kraftfahrzeugen führte das zu erheblichem Energie-Mehrbedarf pro gefahrenem Kilometer bis hin zu Kühlungsproblemen. Bei medizinischen Anwendungen können auch Batterielebensdauern durch solche KI-Verfahren stark verkürzt werden, oder wenn die Systeme gut gebaut sind eben stark verlängert werden.   

Das Projekt möchte in dem Wettbewerb Energieeffiziente KI-Systeme einen Beitrag leisten, der es ermöglicht ein gegebenes medizinisches Klassifizierungsproblem mit möglichst geringem Energieaufwand zuverlässig zu berechnen. Der verfolgte Ansatz nutzt die Möglichkeit einer direkten Implementierung von Neuronen in analoger Hardware aus und verwendet daher für die Signale eine unmittelbar vorliegende Repräsentation im Gegensatz zu einer digitalen Repräsentation in prozessorgestützten Verfahren. Das Projekt möchte weiterhin auf mehreren Ebenen die vorgeschlagene Architektur mit dem Ziel eines minimalen Energieverbrauchs optimieren.  

Die Umsetzung ist wie folgt geplant.

Im ENERGICS Projekt wird ein neues dreistufiges Optimierungsverfahren entwickelt, welches den Entwurf einer extrem energiesparenden analogen Schaltung eines Deep Neural Netzwerkes erlaubt. Das Verfahren wird entwickelt, um die Vorhersage von Arrhythmiepattern aus EKG-Daten energieeffizient umzusetzen. Dabei werden folgende Strategien umgesetzt:

  • Optimierung analoger Schaltungen, um das Stromsparpotential maximal auszunutzen.  Vollautomatische Topologiesynthese und Dimensionierung des analogen Chips bietet höchstes Energie-Einsparpotential auf Transistorebene und automatische Erstellung einer großen Zahl von hochoptimierten Basisblöcken für Neuronenkonfigurationen.
  • Softwareoptimierung des neuronalen Netzes.
  • Ebenenübergreifende Optimierung verzahnt die Einsparpotentiale auf Systemebene mit der Optimierung auf elektrischer Ebene und führt zum bestmöglichen Tradeoff von Genauigkeit und Energiesparpotenzial für das Erkennen von Arrhythmiepattern aus EKG-Daten.