Energieeffiziente Hardware für Künstliche Intelligenz

Der Wettbewerb: EKG-Daten sollen mit geringstem Energieverbrauch automatisch analysiert werden

Im Rahmen eines Pilotinnovationswettbewerbs des Bundesministeriums für Bildung und Forschung (BMBF) soll ein System zur zuverlässigen Detektion von Vorhofflimmern entwickelt werden, welches so energieeffizient wie möglich sein soll. Der Fokus liegt dabei auf der Hardware, die speziell für diese Aufgabe entwickelt werden soll. Als Hardwareplattform für diesen Wettbewerb sind sogenannte Field Programmable Gate Arrays (FPGA) vorgeschrieben. FPGAs sind spezielle Chips, deren Schaltkreise sich im Betrieb umkonfigurieren lassen und somit die schnelle Realisierung von beliebigen Schaltungen auf konkreter Hardware erlauben.

Das Fraunhofer ITWM wurde zusammen mit unserem Partner, dem Lehrstuhl Entwurf mikroelektronischer Systeme der TU Kaiserslautern, für die Teilnahme an diesem Wettbewerb ausgewählt.

Unser Ansatz: Energieeffiziente Hardware beginnt beim Algorithmus

Für diesen Wettbewerb wählen wir einen holistischen Ansatz, der die Anwendung und die Hardware zugleich betrachtet, und somit die optimale Ausführung eines optimalen Algorithmus erreicht. Der Projektname HALF – Holistisches AutoML für FPGAs – spiegelt den Kernaspekt unseres Ansatzes wider.

Eine wichtige Erkenntnis ist, dass das KI-Modell nicht nur über die Qualität der Detektion entscheidet, sondern auch ganz entscheidend den Energieverbrauch auf der Hardware. Statt uns nur auf die Hardware zu konzentrieren und auf bekannte KI-Modelle zurückzugreifen, nutzen wir modernste Verfahren, um automatisch nach KI-Modellen zu suchen. Dabei verbinden wir diese Suche mit hardwarespezifischen Kriterien, sodass wir optimale Modelle für die zugrundeliegende Hardwareplattform finden können.

Die Schwierigkeit besteht darin, eine Balance zwischen einem leichtgewichtigen und energieeffizienten Modell einerseits und dessen Zuverlässigkeit und Robustheit andererseits zu finden.

Die von uns entwickelten Software-Werkzeuge ermöglichen eine nahezu vollautomatische Suche nach dem besten Entwurf in einem mehrstufigem Prozess. Angefangen bei dem EKG-Datensatz, suchen sogenannte Auto-ML (Automated Machine Learning) Methoden nach dem besten Modell für die gegebenen Daten. Bei der Suche werden sowohl unwichtige Teile des Modells vermieden, als auch hardwarespezifische Kriterien, die den Energieverbrauch bestimmen, berücksichtigt. Für das so gefundene Modell wird ein optimaler Entwurf für die FPGA-Plattform generiert. Zum Schluss wird der FPGA konfiguriert und ist dann in der Lage, EKG-Daten automatisch auszuwerten.

Unser Projektpartner:

Der Lehrstuhl »Entwurf Mikroelektronischer Systeme« der Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau (RPTU) liefert das Know-How, um die KI-Modelle auf der Hardware abzubilden. Insbesondere werden die von der EMS-Gruppe entwickelten Verfahren zur Hardware-Architekturgenerierung benutzt, die das volle Potential der FPGA-Hardwareplattform ausnutzen können.