Forskere udvikler ny måde at øge energien-effektiviteten af smarte computere

Forskere fra Cockrell School of Engineering ved University of Texas at Austin har opdaget en ny måde at øge energien-effektiviteten af smarte computere. Dette sker på et tidspunkt, hvor der er en øget behov for energi til at behandle massive mængder data, et resultat af nyudviklet teknologi.

Computernes Infrastruktur

Silicon-chips bruges normalt til at bygge den infrastruktur, der driver computere, men det nyudviklede system afhænger af magnetiske komponenter i stedet for silicium. Silicon-chips begynder at nå deres begrænsninger på grund af ting som kunstig intelligens, selvkørende biler og 5G- og 6G-telefoner. Nye anvendelser kræver hurtigere hastigheder, reduceret latency og lysdetektion, alt sammen kræver øget energi. Derfor søger man efter alternativer til silicium.

Ved at studere fysikken bag de magnetiske komponenter fandt forskerne ny viden om, hvordan energiomkostningerne kan reduceres. De opdagede også måder at reducere kravene til træningsalgoritmer, der er neurale netværk, der kan genkende mønstre og billeder.

Jean Anne Incorvia er en assistant professor på Cockrell School’s afdeling for electrical and computer engineering.

“I øjeblikket er metoderne til at træne neurale netværk meget energikrævende,” sagde Jean Anne Incorvia. “Hvad vores arbejde kan gøre, er hjælpe med at reducere træningsindsatsen og energiomkostningerne.”

Forskningsresultaterne blev offentliggjort i IOP Nanotechnology.

Lateral Inhibition

Incorvia blev sammen med første forfatter og anden-års studerende Can Cui. Sammen ledede de studiet og opdagede, at evnen for de kunstige neuroner, eller magnetiske nanotråde, til at konkurrere mod hinanden kan øges naturligt ved at placere dem på bestemte måder. I denne situation ender de mest aktiverede med at vinde, og effekten kaldes “lateral inhibition”.

Lateral inhibition øger normalt omkostningerne og kræver mere energi og plads, på grund af den ekstra kredsløb, der kræves i computere.

Ifølge Incorvia er den nye metode langt mere energivenlig end en standard back-propagation-algoritme. Når de udfører de samme læringsopgaver, opnås der en energireduktion på 20 til 30 gange med forskernes metode.

Når man ser på nye computere, er der en lighed mellem dem og menneskers hjerner. Ligesom menneskers hjerner indeholder neuroner, indeholder computere kunstige versioner. Lateral inhibition sker, når de langsommere neuroner forhindres i at affyre af de hurtigste affyring neuroner. Dette resulterer i en reduceret behov for energiforbrug ved dataudvikling.

Incorvia har indikeret, at der sker en fundamentalt ændring inden for computere og hvordan de fungerer. En af de nye tendenser kaldes neuromorfisk computing, der kan ses som processen til at designe computere til at tænke som menneskers hjerner.

Nye smarte enheder er designet til at analysere massive mængder data samtidigt, i stedet for kun at behandle enkeltstående opgaver. Dette er en af de grundlæggende aspekter af kunstig intelligens og maskinlæring.

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