Forskere udvikler ny måde at øge energieffektiviteten af ​​smarte computere

Forskere fra Cockrell School of Engineering ved University of Texas i Austin har opdaget en ny måde at øge energieffektiviteten af ​​smarte computere. Dette sker i en tid, hvor der er et øget behov for energi til at behandle enorme mængder data, et resultat af nyudviklet teknologi. 

Infrastruktur af computere

Siliciumchips bruges normalt til at bygge den infrastruktur, der driver computere, men det nyudviklede system er afhængigt af magnetiske komponenter i stedet for silicium. Siliciumchipsene begynder at nå deres begrænsninger på grund af ting som kunstig intelligens, selvkørende biler og 5G- og 6G-telefoner. Nye applikationer kræver hurtigere hastigheder, reduceret latenstid og lysdetektion, alt sammen kræver øget energi. På grund af dette kigges der på alternativer til silikone. 

Ved at studere de magnetiske komponenters fysik fandt forskerne nye oplysninger om, hvordan energiomkostningerne kan sænkes. De opdagede også måder at reducere kravene til træningsalgoritmer, som er neurale netværk, der er i stand til at genkende mønstre og billeder. 

Jean Anne Incorvia er assisterende professor i Cockrell School's Department of Electrical and Computer Engineering. 

"Lige nu er metoderne til at træne dine neurale netværk meget energikrævende," sagde Jean Anne Incorvia. "Det, vores arbejde kan gøre, er at hjælpe med at reducere træningsindsatsen og energiomkostningerne."

Resultaterne fra forskningen blev offentliggjort i IOP nanoteknologi. 

Lateral hæmning

Incorvia fik selskab af første forfatter og andenårs kandidatstuderende Can Cui. Sammen ledede de undersøgelsen og opdagede, at evnen for de kunstige neuroner, eller magnetiske nanotråde, til at konkurrere mod hinanden naturligt kan øges ved at placere dem på bestemte måder. I denne situation ender de mest aktiverede med at vinde, og effekten kaldes "lateral hæmning." 

Lateral inhibering øger normalt omkostningerne og tager mere energi og plads på grund af det ekstra kredsløb, der kræves i computere. 

Ifølge Incorvia er den nye metode langt mere energieffektiv end en standard tilbage-udbredelsesalgoritme. Når man udfører de samme læringsopgaver, er der en energireduktion på 20 til 30 gange opnået ved forskernes metode. 

Når man ser på nye computere, er der en lighed mellem dem og menneskelige hjerner. Ligesom den måde, menneskelige hjerner indeholder neuroner på, indeholder computere kunstige versioner. Lateral hæmning finder sted, når de langsommere neuroner forhindres i at skyde af de hurtigst affyrende neuroner. Dette resulterer i et reduceret behov for energiforbrug til behandling af data. 

Incorvia har indikeret, at der er en fundamental ændring, der finder sted inden for computere, og hvordan de fungerer. En af de nye tendenser kaldes neuromorphic computing, som kan ses som processen med at designe computere til at tænke som menneskelige hjerner. 

Nyudviklede smarte enheder er designet til at analysere enorme mængder data samtidigt i stedet for blot at behandle individuelle opgaver. Dette er et af de grundlæggende aspekter af kunstig intelligens og maskinlæring. 

Hovedfokus for denne forskning var interaktionerne mellem to magnetiske neuroner og interaktionerne mellem flere neuroner. Holdet vil nu anvende deres resultater til større sæt af flere neuroner. 

Forskningen blev støttet af en National Science Foundation CAREER Award og Sandia National Laboratories. Ressourcer blev leveret af UT's Texas Advanced Computing Center.