Page - 39 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 39 In den vergangenen Jahren wurde deshalb für solche Berechnungen immer häufiger Hardware verwendet, die eigentlich für die Bildausgabe entwickelt wurde. Diese basiert auf sogenannten GPUs. Die Leistungsfähigkeit dieser Grafikhardware ist, besonders im Vergleich zu CPUs, in jüngster Zeit verhältnismäßig stark gestiegen. GPUs bestehen aus ähnlichen Einzelbausteinen wie CPUs, unterscheiden sich in der Gesamtarchitektur jedoch deutlich. Für die Berechnung einzelner Bildpunkte nutzten GPUs früher kleine Rechenkerne, sogenannte Shader, die auf bestimmte Funktionen optimiert waren und nur diese ausführen konnten. Es gab spezialisierte Shader, beispielsweise um die Farbe, die Transparenz oder Geometrie einzelner Bildpunkte oder Bildbereiche zu berechnen. Ob die einzelnen Funktionen jedoch genutzt wurden, hing dabei stark von der Software ab. Um die Hardware generell besser auslasten zu können, basieren moderne GPUs deswegen auf universellen Shadern, sogenannten Unified Shader-Architekturen. Diese generalisierten Shader sind in der Lage, je nach Bedarf jede der gewünschten Funktionen auszuführen. Bedingung ist, dass jeder Shader direkt programmiert werden kann, was ihn zu einem kleinen Universalprozessor macht. Diese Fähigkeit ermöglicht es nun, solche GPUs nicht mehr nur zur Bildberechnung zu nutzen, sondern sie auch andere Berechnungen anstellen zu lassen, was sie zu GPGPU („general purpose computation on graphics processing unit“) werden lässt. Bei der Verwendung als GPGPU kann nun jeder Shader als eine Art Universalrechenkern angesehen werden. Ein solcher Kern ist für sich genommen im Vergleich zu einem CPU-Kern zwar erheblich schwächer und deutlich niedriger getaktet, moderne GPUs verfügen jedoch über tausende ent- sprechender Shader, zwei Größenordnungen mehr als eine CPU. Ein weiterer Unter- schied zur CPU besteht darin, dass der Speicher einer Grafikkarte um etwa einen Faktor zehn schneller angebunden ist, was besonders bei großen Datenmengen von Vorteil ist. Eine dritte Möglichkeit Berechnungen durchzuführen, ist die Verwendung anwen- dungsspezifischer integrierter Schaltkreise (ASIC). Hierbei handelt es sich im Gegen- satz zu CPUs und in Grenzen GPUs nicht um Universalprozessoren, die prinzipiell in der Lage sind, fast jede Berechnung durchzuführen. ASICs sind speziell für nur eine bestimmte Aufgabe entworfene Schaltkreise. Die Grenze, an der ein modifizierter oder ergänzter Universalprozessor aufhört und ein ASIC beginnt, ist dabei durchaus fließend, für die Auswahl von KI-Hardware aber nicht zwingend wichtig. Relevant für die KI-Anwendung ist zum einen Hardware, die auf Matrixrechenopera- tionen spezialisiert ist. Derartige Hardware ist zurzeit in Form von speziellen, zusätz- lichen Rechenkernen auf KI-Beschleunigern wie Nvidia Tensor Core (NVIDIA TESLA V100 GPU ARCHITECTURE) oder ganzen darauf spezialisierten Prozessoren wie bei Google, tensor processing unit, TPU verfügbar. Zum anderen gibt es auch Bestrebun- gen für KI-Anwendungen, bei denen ein KNN komplett in Hardware abgebildet werden soll, sogenannte neuromorphe Hardware.