Green ICT

Die fortlaufende Digitalisierung trägt maßgeblich bei der Weiterentwicklung der Wirtschaft, sowie der Entwicklung innovativer Produkte und Geschäftsmodelle bei. Allerdings stieg mit der Digitalisierung der gesamte Energieverbrauch der Informations- und Kommunikationstechnik (IKT) in den vergangenen Jahren kontinuierlich an.

Unter Green IT/ICT versteht man Bestrebungen, Informations- und Kommunikationstechnik und das gesamte IKT-System möglichst während ihres gesamten Lebenszyklus umwelt- und ressourcenschonend zu nutzen. Dazu gehört die Optimierung des Ressourcenverbrauchs während der Herstellung und des Betriebs der Geräte.

Im Folgenden stellen wir Ihnen einige unserer Aktivitäten im Bereich Green ICT vor.

Energieautarke, wartungsfreie und kabellose Systeme mit unbegrenzter Betriebszeit – das ist das Ziel unserer Energy-Harvesting-Technologien. Verfügbare Energiequellen aus der Umgebung wie Licht, Wärme oder Bewegung dienen dabei als Energielieferant für Funksensoren, Displays und andere Kleinverbraucher.

Im Bereich Energy Harvesting entwickeln und untersuchen wir Technologien und Systeme zur Nutzung von Energie aus der Umgebung, um kleine elektronische Verbraucher zu versorgen.

Durch die Nutzung der Umgebungsenergie fällt der Einsatz, Wechsel sowie die Entsorgung von Batterien weg.

Darüber hinaus wird untersucht, ob der Einsatz von einem Energy Harvester nach ökologischer Betrachtung vorteilhafter ist gegenüber dem Einsatz von Batterien.

Weitere Informationen

Massive-IoT-Anwendungen im Smart-City-Bereich und IIoT benötigen für eine zuverlässige und robuste Datenübertragung permanent Energie. Unser energieautarkes Wide-Area Network ist eine einzigartige Kombination des neuen LPWAN-Standards mioty® mit Energy Harvesting. Durch das Telegram-Splitting ist die mioty®-Technologie energieeffizienter. Außerdem sind für die Nutzung der Technologie weniger Basisstationen im Vergleich zu anderen LPWAN-Lösungen nötig.

Dies senkt nicht nur die Kosten, sondern sorgt vor allem dafür, dass weniger Basisstationen hergestellt, betrieben und entsorgt werden müssen. Somit erhöht die mioty®-Technologie in Kombination mit Energy Harvesting die Lebensdauer von Übertragungssystemen.

Weitere Informationen  

Wir entwickeln und bieten Technologien, die aus geringfügigen Temperaturunterschieden oder kaum spürbaren Vibrationen Strom gewinnen, um Sensoren oder Kleingeräte im IoT energieautark zu betreiben – zum Beispiel ist die intelligente Schraube zur Überwachung von Schraubverbindungen. Speziell beschäftigen wir uns mit der Powermanagementfunktion, welche eine energieeffiziente Kopplung von Engerie Harvesting und dem IoT-Sensorknoten sicherstellt. Das Powermanagement unterscheidet sich hierbei je nach Energiequelle.

Ein wichtiges Kriterium für Anwendungen im IoT-Bereich ist ein möglichst geringer Stromverbrauch. Kontinuierliche drahtlose Vernetzung erfordert viel verfügbare Akkukapazität. Die Betriebsdauer von drahtlosen Sensorknoten ist somit limitiert. Das RFicient®-Portfolio ermöglicht für viele Jahre wartungsarme ultra-low-power-Konnektivität.

Die Ultra-Low-Power-Empfängertechnologie RFicient® ermöglicht die kontinuierliche Überwachung eines Funkkanals bei einer Leistungsaufnahme im Mikrowatt-Bereich und reagiert in Millisekunden. Die RFicient®-Technologie weist als WakeUp-Variante mit < 3 µA einen sehr geringen Stromverbrauch auf. Erreichbar wird dies mit dem RFicient®-Chip aus dem Fraunhofer-Institut für Integrierte Schaltungen IIS, der 99 Prozent des Stromverbrauchs einsparen kann. Somit können mobile Anwendungen mit 24/7-Konnektivität und einer verlängerten Lebensdauer von bis zu 10 Jahren betrieben werden.

Weitere Informationen  

Anwendungen des maschinellen Lernens in eingebetteten Geräten sind ein stark aufkommender Trend. Eine große Anzahl von KI-Chips wurde angekündigt, die ersten Produkte für eingebettete KI sind auf dem Markt. Aktuelle neuronale Netzwerkarchitekturen wie tiefe neuronale Netze erfordern eine hohe Rechenkomplexität und einen hohen Stromverbrauch. Neuromorphe Hardware hingegen setzt auf massive Parallelverarbeitung und führt Berechnungen, z. B. für maschinelles Lernen, schneller und mit weniger Strom aus.

Weitere Informationen  

Edge AI ist ein Forschungsgebiet im Bereich des maschinellen Lernens und beschreibt die Optimierung sowie Ausführung von KI-basierten Verarbeitungsketten auf eingebetteten Systemen. Es werden ML-Anwendungen auszuführen, welche bis zu tausendmal weniger Strom im Vergleich zu einer Standard-GPU benötigen. Der Grund hierfür ist unter anderem das lokale Ausführen für eingebettete Systeme optimierter energieeffizienter KI-Modelle. Zusätzlich entfällt die Übertragung der Daten an einen Cloudserver. Aus diesem Grund können die solche eingebetteten KI-fähigen Geräte je nach Anwendungsfall teilweise jahrelang ohne Batterien betrieben werden.

Weitere Informationen  

Edge Computing ist ein Verfahren, bei dem Daten, Services und Anwendungsinformationen unmittelbar an die logische „Randstelle“ (Edge) eines Netzwerks verlagert werden. Der aufwendige Weg zur und von der Cloud, der häufig den „Flaschenhals“ für eine schnelle und effektive Kommunikation bildet, entfällt.

Beim Edge Computing werden nur Daten übertragen, die tatsächlich in der Cloud für die Optimierung von Prozessen benötigt werden. Die ortsgebundene Datenverarbeitung durch Edge Computing verringert die Menge an Datenübertragungen über größere Distanzen, sodass der Energieverbrauch hierbei deutlich sinkt. Mit dieser Architektur können außerdem Sicherheitsanforderungen leichter eingehalten werden. Die Verfügbarkeit von Systemen, geringe Latzenzzeiten sowie Datensicherung und Verschlüsselung sind einfacher umsetzbar.

Weitere Informationen

Durch das Konzept der verteilten Datenverarbeitung werden im gesamten IoT-System vom Sensor über Edge zu Cloud die Ressourcen in jedem Anwendungsfall optimal genutzt. Um dies herauszufinden, werden verschiedene Verarbeitungsschwerpunkte im Bezug auf die Ökobilanz in der IoT-Kette verglichen.

Durch die Nutzung von Software Containern in Rechenclustern wiederum werden Rechnerressourcen optimal genutzt. Beispielsweise können einzelne Recheneinheiten zweitweise abgeschaltet werden, während andere diese Rechenleistung übernehmen, weil sie freie Kapazitäten haben.

Besonders beim Betrieb großer Rechencluster wird somit sehr viel Energie eingespart.