DARPA-Programm ML2P: Revolutionierung energieeffizienter KI für den Kampfeinsatz und darüber hinaus

Um die steigenden Energieanforderungen künstlicher Intelligenz (KI) in ressourcenarmen Umgebungen zu bewältigen, hat die US-Defense Advanced Research Projects Agency (DARPA) das Programm „Mapping Machine Learning to Physics“ (ML2P) ins Leben gerufen. Am 24. September 2025 angekündigt, zielt diese ambitionierte Initiative darauf ab, Energieeffizienz direkt in das Kern-Design von Machine-Learning-Modellen (ML) zu integrieren. Dadurch sollen Einsatzkräfte am „taktischen Rand“ – von Drohnen in entlegenen Gebieten bis hin zu Stützpunkten vor Ort – KI nutzen können, ohne die missionkritischen Stromversorgungen zu gefährden. Mit einem vorgeschlagenen Budget von 5,9 Millionen US-Dollar und einer Frist für Vollvorschläge am 8. Dezember 2025 markiert ML2P einen entscheidenden Paradigmenwechsel in der KI-Entwicklung, der den Ausgleich zwischen Leistung pro Joule und reiner Rechenpower priorisiert.

Im Kern adressiert ML2P einen grundlegenden Mangel der zeitgenössischen KI: Traditionelle Modelle werden ausschließlich auf Metriken wie Genauigkeit in Aufgaben wie Bilderkennung oder natürlicher Sprachverarbeitung optimiert und verbrauchen Strom in Maßen, die sie für den Einsatz in strombeschränkten Szenarien unpraktikabel machen. Ein einzelner Trainingslauf eines Large Language Models kann so viel Energie verbrauchen wie Hunderte Haushalte in einem Jahr, was logistische Belastungen in militärischen Operationen verschärft, wo Batterien und Generatoren Antrieb, Kommunikation und Datenverarbeitung balancieren müssen. „In einer Ära, in der KI zunehmend in strombeschränkten Umgebungen wie am taktischen Rand eingesetzt wird, ist Energieeffizienz keine Option mehr“, erklärte Bernard McShea, Gründungsprogrammleiter für ML2P im Information Innovation Office (I2O) der DARPA. „Mit ML2P wollen wir über die Optimierung nur für Genauigkeit hinausgehen und stattdessen verstehen, welche Leistung wir pro Joule Strom zurückerhalten. Das ermöglicht den Bau von KI, die intelligenter, schlanker und nützlicher für den Soldaten ist.“

Die Kernherausforderung: Der unersättliche Energiehunger der KI in umkämpften Räumen

Der Antrieb für ML2P ergibt sich aus den harten Realitäten moderner Kriegsführung, in denen die Rolle der KI explodiert, ihr Energie-Fußabdruck jedoch zu einer Belastung wird. Unbemannte Luftfahrzeuge (UAVs), Bodenroboter und Edge-Computing-Geräte – Standard in US-Militäroperationen in Theatern wie dem Indopazifik oder Osteuropa – arbeiten mit begrenzten Stromquellen. Eine typische UAV-Batterie hält unter Volllast 30–60 Minuten, doch die Integration fortschrittlicher ML für Echtzeit-Zielidentifikation oder autonome Navigation kann diese Ausdauer halbieren. DARPA schätzt, dass aktuelle ML-Modelle, skaliert für Kampfeinsätze wie die Clusterung von Sensordaten oder die Klassifikation von Bedrohungen, den Stromverbrauch um 200–500 % im Vergleich zu Legacy-Algorithmen steigern und somit Kompromisse zwischen Intelligenz und Operations-Tempo erzwingen.

Diese Ineffizienz ist nicht nur technisch, sondern strategisch. In Peer-Konflikten mit Gegnern wie China oder Russland, die aggressiv energieoptimierte KI für Drohnenschwärme und elektronische Kriegsführung entwickeln, riskiert die USA Vorteile in Ausdauer und Anpassungsfähigkeit zu verlieren. Frühere DARPA-Programme wie „Guaranteeing AI Robustness Against Deception“ (GARD) und „Assured Autonomy“ haben KI gegen adversarische Angriffe abgesichert, doch keines hat systematisch die „Energie-Semantik“ – das verborgene Zusammenspiel von Algorithmen, Hardware und Workloads, das den Verbrauch diktiert – angegangen. ML2P schließt diese Lücke durch eine physikbasierte Abbildung: Die Übersetzung abstrakter ML-Leistung in greifbare elektrische Metriken, gemessen in Joule (J), um Vergleichbarkeit über Architekturen von Siliziumchips bis hin zu aufstrebenden photonischen oder analogen Systemen zu gewährleisten.

Technische Grundlagen: Von Zielfunktionen zur Lebenszyklus-Optimierung

Die Methodik von ML2P ist streng interdisziplinär und greift auf Elektrotechnik, Mathematik, Logik und ML zurück, um „energiebewusste“ Modelle zu schmieden. Das Programm gliedert sich in zwei 12-monatige Phasen mit einer kritischen „Go/No-Go“-Überprüfung in der Mitte. Phase 1 konzentiert sich auf den experimentellen Aufbau: Performer – darunter Universitäten, Tech-Firmen wie NVIDIA oder Startups im quanten-inspirierten Computing – entwickeln Multi-Objective-Optimierungsfunktionen. Diese stimmen Modelle auf Kompromisse ab, etwa 5 % Genauigkeitsverlust gegen 30 % Stromreduktion in einer generativen KI-Aufgabe.

Zentral ist das Framework „Energy Semantics of ML“ (ES-ML), das analysiert, wie „lokale Optimierungen“ – Anpassungen einzelner Schichten oder Hyperparameter – zu globalen Energie-Profilen führen. Ein Convolutional Neural Network für Bildklassifikation könnte beispielsweise auf FLOPs (Floating-Point-Operations) optimiert werden, ignoriert jedoch Spannungsschwankungen, die den Joule-Verbrauch unter variablen Kampftemperaturen steigern. ML2P fordert forensische Messungen: Granulare Joule-Tracking über Hardware-Proben, Simulation realer Variablen wie thermische Drift oder intermittierende Stromversorgung aus solarunterstützten Generatoren. Phase 2 wechselt zu Datensammlung und Validierung und erzeugt Open-Source-Tools – potenziell in Bibliotheken wie scikit-learn integriert –, um ML-Energieverbrauch über den gesamten Lebenszyklus zu simulieren: Training, Inferenz und Deployment.

DARPA plant mehrere Auszeichnungen unter Other Transaction (OT)-Vereinbarungen, die traditionelle Bundesanschaffungshürden umgehen und schnelle Prototyping ermöglichen. Die Budgetverteilung begünstigt Phase-1-Nachweise, mit unabhängiger Regierungsevaluation für Reproduzierbarkeit. Frühe Simulationen deuten auf 20–50 % Effizienzgewinne in Edge-KI hin, vergleichbar mit DARPA’s POWER-Programm für Wearables-Batterien. „Effizientere und leistungsfähigere Modelle sind entscheidend, da KI-Anwendungen oft erhebliche Rechenressourcen erfordern und hohen Energieverbrauch verursachen“, betonte McShea. „Durch prinzipielle Simulation der ML-Modellleistung auf Allzweck-Computing-Systemen könnte es Einblicke geben, wie Hardware für KI-Workloads optimiert werden sollte.“

Weitreichende Auswirkungen: Vom DoD zur globalen KI-Nachhaltigkeit

Obwohl im Verteidigungsbereich verwurzelt, überschreiten die Auswirkungen von ML2P den Pentagon-Rahmen. Zivile KI – von Rechenzentren für ChatGPT bis zu autonomen Fahrzeugen – spiegelt militärische Energieprobleme wider; globale Rechenzentren sollen bis 2030 8 % des Weltstroms verbrauchen. Durch effizientere Large Language Models und generative Aufgaben ohne Hardware-Überholungen könnte das Programm Hochleistungs-KI für KMU und Entwicklungsländer demokratisieren. McShea sieht ES-ML als Leitfaden für Next-Gen-Chips, wie neuromorphe Prozessoren, die hirnähnliche Sparsamkeit nutzen, um Leerlaufstrom zu minimieren.

Im militärischen Kontext sind die Implikationen transformativ. Stellen Sie sich Drohnenschwärme vor, die ML-gestützte Aufklärung tagelang auf Hybrid-Solar-Batteriepacks aufrechterhalten, oder Infanterie-Wearables, die Bedrohungsvorhersagen ohne Entleerung von Exosuits betreiben. Dies passt zur Vision des DoD für Joint All-Domain Command and Control (JADC2), bei der energieeffiziente KI nahtlose Datenfusion über Luft, Land, See und Cyber ermöglicht. Herausforderungen lauern jedoch: Ethische Bedenken gegenüber „optimierten“ KI, die Geschwindigkeit in letaler Autonomie priorisieren, und das Risiko, dass Gegner Open-Source-Tools für eigene Edge-Systeme rückentwickeln.

Die Branchenreaktion war rasch. Ein Webinar zum Proposers Day am 26. September 2025 zog über 500 Teilnehmer an, mit Firmen wie IonQ, die Quanten-Integrationen für ultraniedrigen Simulationsstrom ins Auge fassen. Auf X (ehemals Twitter) erzielte die DARPA-Ankündigung 101 Likes und 34 Reposts und löste Debatten über das Dual-Use-Potenzial „energiebewusster“ KI aus. „Das DARPA-Programm ML2P ruft die Industrie auf, ‚energiebewusste‘ ML-Modelle zu entwerfen, die starke Leistung bieten“, notierte ClearanceJobs in einem viralen Post.

Weg nach vorn: Aufrufe zum Handeln und Wettbewerbslandschaft

DARPA hat die Teilnahme vereinfacht: Abstracts bis 6. Oktober 2025 über SAM.gov (Ausschreibung DARPA-PS-25-32), mit mündlichen Präsentationen für Top-Kandidaten. Bewertungskriterien betonen technischen Wert (40 %), Team-Qualifikationen (30 %) und Budget-Realismus (30 %), mit Vorzug für diverse Konsortien aus Akademie und Industrie. Erfolgreiche Prototypen müssen mindestens 25 % Energie-Reduktion in Benchmark-Aufgaben wie Klassifikation auf Edge-Hardware nachweisen, mit Open-Sourcing für den Übergang.

Konkurrenz ist groß: Europas Gaia-X treibt nachhaltige KI-Clouds voran, Chinas National Engineering Laboratory for AI zielt auf Sub-1-Watt-Inferenz ab. ML2P’s Vorteil? Sein forensischer Joule-Fokus ermöglicht hardware-unabhängige Vorhersagen, die bestehende DoD-Assets wie F-35-Sensorsuiten retrofittieren könnten.

Angesichts kollidierender Klimaziele und Tech-Proliferation unterstreicht ML2P DARPA’s Motto: Technologische Überraschung für die nationale Sicherheit. Bei Erfolg grünt es nicht nur KI – es bewaffnet Effizienz und stellt sicher, dass US-Streitkräfte in den Energiekriegen von morgen ausdauern und überlegen denken. Forscher und Firmen haben bis Dezember Zeit, ihren Anspruch geltend zu machen; das Schlachtfeld – virtuell und real – wartet auf die schlankesten Köpfe.

Quellen (Linkliste):

LabNews Media LLC

LabNews: Biotech. Digital Health. Life Sciences. Pugnalom: Environmental News. Nature Conservation. Climate Change. augenauf.blog: Wir beobachten Missstände

See Full Bio