LogiNet – „Logic-Driven Efficient Computing and Analysis of Deep Neural Networks on Hardware“ – beschäftigt sich mit Deep Neural Networks (DNN), auf Deutsch: tiefe neuronale Netze. DNN sind die Algorithmen, mit denen Künstliche Intelligenz realisiert wird. Sie orientieren sich am Aufbau des menschlichen Gehirns und bestehen aus vielen Schichten, von denen jede Daten ein wenig anders verarbeitet und dann intern weitergibt. DNN haben in vielen Bereichen große Durchbrüche erzielt und stecken zum Beispiel hinter Anwendungen wie Bilderkennung oder Textübersetzung. Allerdings brauchen sie eine enorme Rechenleistung: Die in ihnen ständig ablaufenden Multiplikationen und Additionen, sogenannte „Multiply-Accumulate“-Operationen (kurz MAC), sind aufwendig und verbrauchen auf heutiger Computerhardware sehr viel Energie.

Bisher konzentriert sich die Forschung darauf, MAC-Operationen einfach zu beschleunigen, anstatt ihre tatsächlichen Logikfunktionen nach dem Training zu untersuchen. Die blinde Ausführung massiver MAC-Operationen führt neben großem Energieverbrauch auch dazu, dass sich schwer nachvollziehen lässt, warum ein KI-System zu einem bestimmten Ergebnis kommt. Interne Entscheidungsprozesse von DNN lassen sich kaum untersuchen und verifizieren.

Diese Probleme geht Professorin Grace Li Zhang (Fachgebiet Hardware für Künstliche Intelligenz) im Rahmen von LogiNet an. Sie untersucht eine neue Möglichkeit zur Ausführung von DNN, die die logische Struktur und die hochabstrakte Funktion der Netze in den Mittelpunkt stellt. Statt nur die Rechenleistung zu verbessern, schaut das Projekt auf die logische Struktur von neuronalen Netzen – also darauf, was die Netzwerke wirklich tun. Die Idee ist, bereits gelernte Daten („Gewichte“) direkt in einfache logische Schaltungen von MAC-Operationen umzuwandeln und sie sozusagen fest zu verdrahten. Das spart Komplexität, Rechenaufwand, Datenverkehr und Energie. Gleichzeitig lässt sich dann auch besser verstehen, wie die Netzwerke Entscheidungen treffen. LogiNet analysiert die Eigenschaften von DNN, wie zum Beispiel Hardware-Zuverlässigkeit und Fairness bei der Entscheidungsfindung.

Die Forschungen sollen die Grundlage dafür legen, dass DNN weniger Energie verbrauchen und so dem Ziel „Green AI“ näher rücken, und das auf verschiedensten Hardware-Plattformen vom kleinen Sensor bis zum großen Rechenzentrum. Zudem wird das Projekt dafür sorgen, dass neuronale Netze im Hinblick auf Transparenz, Fairness und Zuverlässigkeit besser analysiert werden können.