Mikroskopieaufnahmen auswerten Strom sparen bei Bildanalyse: Freie Software macht KI-Modelle grüner

Anbieter zum Thema

JULABO GmbH

t & p Triestram & Partner GmbH

SIM Scientific Instruments Manufacturer GmbH

Gerade im Bereich der Mikroskopie fallen schnell gewaltige Datenmengen an. Diese lassen sich dank Unterstützung von Künstlicher Intelligenz heute gut verarbeiten. Doch der Rechenaufwand und damit der Zeit- und Stromverbrauch bleiben hoch. Eine neu entwickelte Kompressionssoftware soll nun helfen, die Datenmenge und damit den Strombedarf zu reduzieren. Die Software ist kostenfrei verfügbar.

Moderne Mikroskopieverfahren produzieren eine Vielzahl hochauflösender Bilder – einzelne Datensätze können tausende davon umfassen. Um die Datenmengen zuverlässig analysieren zu können, nutzen Wissenschaftler bereits häufig KI-gestützte Software. Mit immer komplexeren KI-Modellen kann sich die Latenzzeit (Verarbeitungszeit) für Bilder jedoch deutlich erhöhen. Das hat nicht nur Folgen für die Wartezeit auf das Mikroskopiebild. „Eine hohe Netzwerklatenz, beispielsweise bei besonders großen Bildern, führt zu einer höheren Rechenleistung und schließlich zu einem gesteigerten Energieverbrauch“, sagt Dr. Jianxu Chen, Leiter der Nachwuchsgruppe Ambiom – Analysis of Microscopic Bio-Medical Images am Leibniz-Institut für Analytische Wissenschaften (ISAS).

Gemeinsam mit Forschern der Universität Peking haben er und sein Team eine kostenfreie Kompressionssoftware „EfficientBioAI“ für Bioimaging-KI-Modelle entwickelt und die Ergebnisse ihrer Programmierarbeit in einer Studie publiziert.

gesponsert KI gestütztes All-in-One Imaging für Zellkulturen

Kurz mal genau durchzählen, bitte!

Unnötigen Ballast aus bestehenden Systemen entfernen

Um hohe Latenzen bei der Bildanalyse zu vermeiden, insbesondere bei Geräten mit begrenzter Rechenleistung, kommen komplexe Algorithmen zum Einsatz, um die KI-Modelle zu komprimieren. Das heißt, die Algorithmen reduzieren die Menge der Berechnungen in den Modellen, während diese eine vergleichbare Vorhersagegenauigkeit beibehalten.

„Modellkomprimierung ist eine Technik, die bei der digitalen Bildverarbeitung, der so genannten Computer Vision, und der KI weit verbreitet ist, um Modelle leichter und grüner zu machen“, erklärt Chen. Dabei werden verschiedene Strategien kombiniert, um den Speicherverbrauch zu reduzieren, die Modellinferenz, also den „Denkprozess“ des Modells zu beschleunigen – und somit Energie zu sparen. Zum Einsatz kommt beispielsweise Pruning, das überflüssige Knoten aus dem neuronalen Netzwerk entfernt. „In der Bioimaging-Gemeinschaft sind diese Techniken häufig unbekannt. Daher wollten wir eine gebrauchsfertige und einfache Lösung entwickeln, um sie auf gängige KI-Tools beim Bioimaging anzuwenden“, sagt Yu Zhou, Erstautor der Publikation und Doktorand bei Ambiom.

Bis zu 80 Prozent Energieeinsparung

Um ihre neue Toolbox auf die Probe zu stellen, haben die Forschenden um Chen ihre Software an mehreren realen Anwendungen getestet. Bei unterschiedlicher Hardware und verschiedenen Bioimaging-Analyseaufgaben haben die Komprimierungstechniken die Latenzzeit erheblich verringert und den Energieverbrauch zwischen 12,5 bis 80,6 Prozent gesenkt. „Unsere Versuche haben gezeigt, dass EfficientBioAI die Effizienz neuronaler Netzwerke bei Bioimaging-Analysen deutlich erhöhen kann, ohne die Genauigkeit der Modelle einzuschränken“, resümiert Chen.

Die Energieeinsparungen verdeutlicht der Wissenschaftler am Beispiel des allgemein verwendeten CellPose-Modells: Würden eintausend Nutzer die Toolbox nutzen, um das Modell zu komprimieren und auf den Jump-Target-ORF-Datensatz anwenden (etwa eine Million Mikroskopiebilder von Zellen), könnten sie Energie sparen, die etwa den Emissionen einer Autofahrt von 11.750 Kilometern entsprechen.

Weite Verbreitung des Open-Source-Modells gewünscht

Die Autoren legen Wert darauf, EfficientBioAI möglichst vielen Wissenschaftlern in der biomedizinischen Forschung zugänglich zu machen. Forschende können die Software installieren und nahtlos in bereits existierende PyTorch-Bibliotheken integrieren (Open-Source-Programmbibliothek für die Programmiersprache Python). Für einige sehr verbreitete Modelle wie Cellpose, können Forschende die Software nutzen, ohne selbst etwas am Code ändern zu müssen. Für spezifische Änderungswünsche stellt die Gruppe außerdem mehrere Demos und Tutorials zur Verfügung. Mit nur ein paar geänderten Code-Zeilen lässt sich die Toolbox dann auch für angepasste KI-Modelle verwenden.

Originalpublikation: Zhou, Y., Cao, J., Sonneck, J. et al.: EfficientBioAI: making bioimaging AI models efficient in energy and latency, Nat Methods (2024); DOI: 10.1038/s41592-024-02167-z

(ID:49885910)