Moderne Mikroskopieverfahren produzieren eine Vielzahl hochauflösender Bilder, einzelne Datensätze können tausende davon umfassen. Um die Datenmengen zuverlässig analysieren zu können, nutzen Forschende KI-gestützte Software. Doch mit immer komplexeren KI-Modellen kann sich die Latenzzeit (Verarbeitungszeit) für Bilder deutlich erhöhen, was auch den Energieverbrauch steigen lässt.
Forschende des Leibniz-Instituts für Analytische Wissenschaften und der Universität Peking haben jetzt eine Kompressionssoftware entwickelt, mit der Biomediziner bestehende Bioimaging-KI-Modelle schneller und mit viel geringerem Energieaufwand ausführen können.
Bei der Modellkomprimierung in der digitalen Bildverarbeitung (Computer Vision) und der KI werden Modelle «leichter» und grüner gemacht. Dabei werden verschiedene Strategien kombiniert, um den Speicherverbrauch zu reduzieren, die Modellinferenz, also den «Denkprozess» des Modells zu beschleunigen. Da diese Techniken der Bioimaging-Gemeinschaft häufig unbekannt sind, haben die Forschenden eine gebrauchsfertige und einfache Lösung entwickelt, die auf gängige KI-Tools beim Bioimaging anwendbar ist.
Um die Toolbox auf die Probe zu stellen, wurde sie an mehreren realen Anwendungen getestet. Bei unterschiedlicher Hardware und verschiedenen Bioimaging-Analyseaufgaben konnten die Komprimierungstechniken die Latenzzeit erheblich verringern und den Energieverbrauch zwischen 12,5 bis 80,6 Prozent senken – ohne die Genauigkeit der Modelle einzuschränken. Die anpassbare «EfficientBioAI» wurde in der im Fachzeitschrift Nature Methods vorgestellt und ist frei zugänglich auf GitHub.
