Machine Learning ist schon da, der Quantenrechner kommt Die Zukunft des Datacenter gehört dem Quantencomputing, oder?

Anbieter zum Thema

NTT DATA Deutschland SE

Fachhochschule Rosenheim

Technische Hochschule Rosenheim Techn.Univ. of Applied Sciences

NTT DATA Deutschland SE

Schneider Electric GmbH

mehr weniger

DAXTEN GmbH

Rosenberger-OSI GmbH & Co. OHG

weniger

Datenzentren stehen weltweit vor steigenden Anforderungen bei Datenverwaltung und -analyse, Datensicherheit, Skalierbarkeit, Energie-Effizienz und Kühlung. Um diese zu bewältigen, bietet sich der Einsatz von Machine Learning an – ein Kontext, in dem Quantencomputing große Stärken aufweist. Lösen Quantencomputer herkömmliche Rechner also bald ab? Ein realistischer Ausblick auf eine vielversprechende Technologie.

Bis zu 1,5 Millionen Liter Wasser verbrauche ein 15-Megawatt-Rechenzentrum jeden Tag für seine Kühlung, liest man immer wieder im Internet. Ob diese Zahl exakt stimmt, sei dahingestellt, zumindest widerspricht niemand prinzipiell.

Eine weitere Zahl besagt: Der globale Energiebedarf von Datenzentren wird laut dem Center for Low Carbon Society Strategy von 190 Terawattstunden 2018 bis zum Jahr 2030 auf 3.000 wachsen, also fast das 16-fache. Das klingt bedenklich, und das ist es auch.

Man darf festhalten: Unser stetig stark wachsender Datenhunger stellt Planet, Mensch und Technologie vor große Herausforderungen. Das wachsende Interesse der breiten Öffentlichkeit an generativen KI-Anwendungen wie „ChatGPT“, „Dalle-E“ oder „Midjourney“, deren Training besonders energie- und damit emissionsintensiv ist, erschwert die Lage zusätzlich. Ein einfaches „Weiter so“, mit herkömmlichen Methoden und Technologien allein, scheint so immer weniger machbar zu sein.

Problem und Lösung

Eine Ironie des Schicksals: Dieselbe Technologie, die das Problem mitverursacht, kann auch Teil von dessen Lösung sein: KI. Denn mit KI basiertem Machine Learning können Datenzentren unter anderem Energie-Effizienz und Ressourcenverbrauch signifikant optimieren. Kombiniert man diesen Vorstoß mit dem Einsatz von Quantencomputing, entsteht ein enormes Potenzial für Leistung, Effizienz und Robustheit zugleich – im Prinzip. Die Frage ist aber: Wie setzen wir dieses Potenzial in absehbarer Zukunft um?

Ein Dilemma: mehr Leistung bei gleichzeitig weniger Ressourcenverbrauch?

Wie erwähnt: Im Jahr 2023 stehen Rechenzentren vor erheblichen Herausforderungen, die in den kommenden Jahren noch zunehmen werden. Das liegt selbstverständlich nicht nur am wachsenden Interesse an KI, sondern in erster Linie am kontinuierlichen Anstieg des globalen Datenverkehrs und der zunehmenden Verbreitung von Cloud-Diensten. Datacenter müssen daher immer leistungsfähiger darin werden, Daten zu verwalten, zu speichern und zu analysieren.

Dabei dürfen sie aber nicht immer mehr Energie verbrauchen, ganz im Gegenteil führen ambitionierte Klimaziele zur berechtigten Forderung nach einer Reduktion des Verbrauchs von Energie sowie von weiteren Ressourcen wie Wasser zur Kühlung. Jedoch brauchen leistungsfähigere Rechensysteme immer leistungsfähigere Kühlsysteme.

Noch mehr Zwickmühlen

Zu diesem Dilemma gesellen sich ebenfalls weiter steigende Anforderungen bei der Datensicherheit und Bedrohungserkennung. Und stabil müssen Datenzentren sowieso sein: Überall auf der Welt hängen Gesellschaft, Wirtschaft und Politik von ihrem Funktionieren ab.

Klar ist: Um diese Herausforderungen zu bewältigen, müssen wir herkömmliche Technologien kontinuierlich verbessern. Zugleich wird es zunehmend wahrscheinlich, dass zusätzlich ein gewisser technologischer Umbruch mit innovativen Ansätzen nötig sein wird. Denn Datenzentren auf den Meeresgrund oder ins Weltall zu verlegen, um Energie- und Kühlprobleme zu lindern, ist gelinde gesagt nicht immer eine Option.

Finanzierung von schwimmenden Rechenzentren

Datacenter-Invest: Nautilus schließt 10-Millionen-Dollar-Wandelanleihe ab

Datacenter mit Tiefgang

In Hainan entsteht eine Rechenzentrumsfarm unter Wasser

Das Rechenzentrum im Meer

Nach 2 Jahren: Microsoft beendet Project Natick

Machine Learning macht Datenzentren leistungsfähiger, effizienter und robuster

Es ist keine neue Erkenntnis, aber dennoch eine wichtige: Machine Learning wird mit großer Wahrscheinlichkeit einer der Grundpfeiler neuer Ansätze sein, die Herausforderungen von Rechenzentren zu bewältigen. Erstens macht Machine Learning Datacenter effizienter und leistungsfähiger: Es kann Daten über die Auslastung, Leistung und Effizienz von Ressourcen wie Server, Bandbreite, Speicher und Kühlung erheben und analysieren.

Und es kann die Verteilung dieser Ressourcen automatisiert optimieren, um Engpässe zu reduzieren und Ausfallzeiten zu minimieren. Zudem kann Machine Learning genutzt werden, um intelligente Entscheidungen zur Energieverwaltung zu treffen – und so etwa die Kühlung dynamisch anpassen oder die Energieversorgung optimieren.

Zweitens macht Machine Learning Rechenzentren sicherer und stabiler: Algorithmen, die auf der Analyse großer Datenmengen basieren, können Bedrohungen wie Cyber-Angriffe, Datenschutzverletzungen und Malware identifizieren und frühzeitig gegensteuern. Zudem lässt sich Machine Learning in gleicher Weise dazu einsetzen, drohende Ausfälle und Wartungsbedarf vorherzusagen, um proaktiv eingreifen zu können.

Quantencomputing: Überholspur für das Maschinenlernen

Führende Akteure aus Industrie, Forschung und Politik treiben derzeit die Entwicklung des Quantencomputing voran. Ein Grund unter vielen anderen ist dabei das angesprochene wachsende Interesse an Machine Learning und die Tatsache, dass Quantencomputing für dieses Anwendungsszenario besonders gut geeignet ist. Denn ein Quantencomputer unterscheidet sich von einem herkömmlichen Rechner dadurch, dass er nicht mit Bits, also 1er und 0er, rechnet, sondern mit Qubits (Quantenbits). Diese Qubits sind besonders, weil sie gleichzeitig in mehreren Zuständen existieren können.

Das bedeutet, dass Quantencomputer enorme Mengen an Daten parallel verarbeiten können. Und: Sie funktionieren nach dem Prinzip der Quantenmechanik, es geht um Wahrscheinlichkeit statt um deterministisch-lineare Berechnungen. Besonders Probleme mit Wahrscheinlichkeitsverteilungen über viele Variablen hinweg – wie es etwa beim Machine Learning der Fall ist – lassen sich daher mit Quantenrechnern effizienter lösen als mit herkömmlichen Computern.

Ein Forschungsprojekt von NTT Data, globaler Anbieter für digitale Geschäfts- und IT-Dienstleistungen, und der Technischen Hochschule Rosenheim zeigte 2022 die Vorteile eindrücklich auf, die Quantencomputing für Machine Learning hat. In diesem Projekt wurde Quantum-Reinforcement-Learning genutzt, um einen Roboterarm zu trainieren, Güter in einer Produktionsumgebung anzufahren, zu greifen und zu transportieren und dabei Hindernisse zu vermeiden.

Die Forschung

Dabei zeigte sich, dass das System mit wenigen Trainingsläufen bereits eine hohe Güte der Ergebnisse hervorbrachte. Im Vergleich zu klassischen Rechenarchitekturen reduziert sich der Trainingsaufwand somit stark, und damit auch der Energiebedarf und die Emission von Treibhausgasen.

Trotzdem werden Quantenprozessoren in absehbarer Zukunft herkömmliche Rechnerinfrastrukturen mit CPUs und GPUs in Datenzentren keinesfalls ablösen. Denn noch gibt es zu viele Hürden, die den Einsatz von Quantenrechnern im Alltagsbetrieb verhindern. So sind Quantencomputer anfällig für Umwelteinflüsse und technische Schwierigkeiten und brauchen spezifische Betriebsbedingungen, die nicht immer leicht herzustellen sind.

Zudem müssen Verfahren zur Korrektur von Quantenfehlern erst noch entwickelt werden, die einen zuverlässigen Betrieb sicherstellen. Dazu kommen derzeit noch hohe Kosten für Quantencomputer, vor allem solche mit einer Zahl an Qubits, die für komplexe Aufgaben ausreichen.

Probleme und Problemchen

Und nicht zuletzt ist die Entwicklung von Algorithmen und Anwendungen für Quantencomputer fordernd, unterscheiden sich diese doch stark von herkömmlichen Ansätzen. Standards existieren noch nicht, einschlägige Fachkenntnis auf hohem Niveau ist erforderlich bezeihungsweise muss etabliert werden, um an dieser Pionierphase mitwirken zu können.

Was jedoch jetzt schon möglich ist: Quantenrechner können mit herkömmlichen Rechnern kombiniert werden, um die jeweiligen Stärken bei probabilistischen einerseits und deterministischen Berechnungen andererseits optimal zu nutzen. Dafür reichen kleinere und damit eher finanzierbare Quantenrechner bereits aus.

Der Vorteil: Auch wenn sich vielleicht nicht sofort erhebliche Effizienzgewinne realisieren lassen, sammeln Anwender, die sich jetzt auf die Technologie einstellen, wertvolle Expertise. Eine lohnende Investition in die Zukunft, in der Quantencomputing höchstwahrscheinlich eine zentrale Rolle bei der Bewältigung unseres Datenhungers spielen wird.

* Der Autor, Christian Nietner, ist Head of Quantum Computing & Advanced Analytics bei NTT Data.

(ID:49626584)