Wie Mathematik und Informatik helfen, das Klima zu schützen

Wenn wir im Alltag von Klimaschutz sprechen, denken wir häufig an erneuerbare Energien, Stromsparen im Haushalt oder an das Retten von Regenwäldern. Dass jedoch auch mathematische Methoden und Ideen der Informatik eine zentrale Rolle spielen können, wird auf den ersten Blick oft übersehen. Tatsächlich zeigt sich zunehmend, wie wertvoll es ist, digitale Berechnungen auf Computern so zu optimieren, dass sie weniger Energie verbrauchen und gleichzeitig bessere Resultate liefern.

Warum sind Mathematik und Informatik für den Klimaschutz interessant?

Das Internet, grosse Rechenzentren und moderne Computersysteme verbrauchen weltweit enorme Mengen an Strom. Sobald zum Beispiel eine Künstliche Intelligenz (KI) trainiert wird – etwa für Sprachverarbeitung oder Bilderkennung – benötigt dies in der Regel sehr viel Rechenleistung. All diese Prozesse laufen in Serverzentren, die rund um die Uhr aktiv sind. Wer diese Abläufe effizienter und zielgerichteter gestaltet, spart nicht nur Zeit, sondern verringert auch den Strombedarf erheblich.

Mathematische Optimierungsverfahren – also Methoden, mit denen man schrittweise bessere Lösungen für ein Problem findet – sind dabei besonders relevant. Sie sorgen dafür, dass KI-Modelle überhaupt lernen können. Bessere Optimierungsverfahren erlauben es, dass dieses Training mit weniger Rechenschritten auskommt. Auf diese Weise lassen sich Ressourcen sparen, was den ökologischen Fussabdruck sowohl in der Forschung als auch in der Industrie deutlich reduziert.

Ein Blick hinter die Kulissen

In meinem Forschungsprojekt (weiterführende Infos unter lucamezger.com/ma) habe ich ein Konzept untersucht, welches diese Optimierungsverfahren verbessern soll. Dabei geht es konkret um einen Algorithmus bei dem sogenannte „Hints“ (etwa „Hinweise“) den Trainingsprozess von KI-Modellen beschleunigen. Hierbei fliessen Prognosen über den weiteren Verlauf des Lernprozesses in die eigentliche Berechnung ein. Wenn ein Modell bereits „erahnt“, in welche Richtung sich die Daten voraussichtlich entwickeln, kann es weitaus gezielter vorgehen und unnötige Schritte vermeiden.

Gerade beim Umgang mit grossen Datensätzen, wie etwa riesigen Text- oder Bildarchiven, können schon kleine Verbesserungen zu beachtlichen Einsparungen führen. Dies gilt nicht nur für einzelne Modelle, sondern lässt sich auch in anderen Bereichen wie Klimasimulationen, Verkehrsmanagement oder Energieoptimierung einsetzen. Wer Rechenabläufe klug strukturiert, senkt den Energieaufwand und leistet somit einen konkreten Beitrag zu mehr Nachhaltigkeit.

Mathematik und Nachhaltigkeit

Technische Entwicklungen wirken oft so, als würden sie mehr Energie verbrauchen und zusätzliche Emissionen verursachen. In der Forschung gibt es jedoch zahlreiche Projekte, die digitale Prozesse effizienter gestalten wollen. Das Ziel ist es, grosse KI-Systeme nicht nur leistungsfähiger zu machen, sondern sie gleichzeitig ressourcenschonender zu betreiben. Dadurch lassen sich umfangreiche Simulationen und Berechnungen in kürzerer Zeit durchführen, was sowohl den Energiebedarf als auch die Hardwareanforderungen senkt.

Die Vorteile beschränken sich aber nicht auf ein Spezialgebiet. Bessere Methoden für maschinelles Lernen oder Datenverarbeitung wirken sich in einer zunehmend vernetzten Welt vielfältig aus und können global bedeutende CO₂-Reduktionen ermöglichen.

Kleiner Aufwand, grosse Wirkung

Schon ein vergleichsweiser geringer Effizienzgewinn macht sich bemerkbar, wenn er auf hunderte oder tausende Trainingseinheiten pro Tag hochgerechnet wird. Wenn ein Teil aller KI-Systeme fünf bis zehn Prozent weniger Energie verbraucht, lassen sich dadurch weltweit grosse CO₂-Mengen einsparen. Hinzu kommt, dass sich erfolgreiche Ansätze in der Regel rasch auf andere Bereiche übertragen lassen, was die positive Wirkung weiter steigert.

Obwohl diese Art mathematischer und informatischer Optimierung oft im Hintergrund stattfindet, ist sie entscheidend, um die digitale Zukunft nachhaltiger zu gestalten.

Konkretes Beispiel

Die Trainings grosser Sprachmodelle wie GPT-4 sind extrem energieintensiv. Schätzungen zufolge verbrauchte das Training von GPT-4 etwa 62.3 Gigawattstunden (GWh) Strom und verursachte rund 12,456 bis 14,994 Tonnen CO₂-Emissionen. Das entspricht den jährlichen Emissionen von etwa 2,500 durchschnittlichen Benzinautos.​ [GreenMatch.co.uk, 29,04,2025]

In meinem Projekt konnte durch den Einsatz von präzisen „Hints“ der Trainingsaufwand eines KI-Modells um bis zu 34 % reduziert werden. Obwohl diese Methode nicht auf echte Probleme übertragbar ist, zeigt sie das Potenzial von Optimierungen in diesem Bereich. Würde man eine ähnliche Effizienzsteigerung bei GPT-4 erzielen, könnten etwa 21 GWh Strom und 4,200 bis 5,100 Tonnen CO₂ eingespart werden. Dies entspricht den Emissionen von über 850 Autos pro Jahr. Weltweit werden zahlreiche vergleichbare Grossmodelle wie PaLM, Gemini, Claude oder LLaMA kontinuierlich trainiert und verbessert. Angesichts der rasant wachsenden Bedeutung und Anzahl solcher KI-Modelle dürften die potenziellen Einsparungen durch mathematische Optimierungen in den nächsten Jahren exponentiell zunehmen.

Diese Zahlen verdeutlichen, dass selbst moderate Effizienzsteigerungen durch mathematische Optimierungen erhebliche ökologische und wirtschaftliche Vorteile bringen können.

Ausblick

Wer sich für die technischen Details zu „Hints“ und deren Funktionsweise interessiert, findet weitere Informationen auf lucamezger.com/ma. Auch ohne tief in die Mathematik einzusteigen, wird klar, dass ein vorausschauendes Vorgehen die erforderliche Rechenzeit reduziert und damit direkt zum Klimaschutz beiträgt.

In einer Zeit, in der künstliche Intelligenz stetig an Bedeutung gewinnt, ist das Potenzial hoch, diese Optimierungen breit einzusetzen. So lassen sich die Interessen von Forschung und Wirtschaft mit nachhaltigen Lösungen verbinden – ein Gewinn für alle Beteiligten.