Forscher entwickeln neue Methode, um die Energieeffizienz von Smart-Computern zu steigern

Forscher der Cockrell School of Engineering an der University of Texas at Austin haben eine neue Methode entdeckt, um die Energieeffizienz von Smart-Computern zu steigern. Dies kommt zu einer Zeit, in der der Bedarf an Energie für die Verarbeitung von großen Mengen an Daten steigt, ein Ergebnis der neu entwickelten Technologie.

Infrastruktur von Computern

Silizium-Chips werden normalerweise verwendet, um die Infrastruktur zu bauen, die Computer antreibt, aber das neu entwickelte System basiert auf magnetischen Komponenten anstelle von Silizium. Die Silizium-Chips erreichen ihre Grenzen aufgrund von Dingen wie künstlicher Intelligenz, selbstfahrenden Autos und 5G- und 6G-Handys. Neue Anwendungen erfordern höhere Geschwindigkeiten, geringere Latenz und Lichtdetektion, was alle eine erhöhte Energie erfordern. Deshalb werden Alternativen zu Silizium untersucht.

Durch das Studium der Physik der magnetischen Komponenten fanden die Forscher neue Informationen darüber, wie die Energiekosten reduziert werden können. Sie entdeckten auch Wege, um die Anforderungen an Trainingsalgorithmen zu reduzieren, die neuronale Netze sind, die Muster und Bilder erkennen können.

Jean Anne Incorvia ist Assistant Professor im Department of Electrical and Computer Engineering der Cockrell School.

“Im Moment sind die Methoden für das Trainieren von neuronalen Netzen sehr energieintensiv”, sagte Jean Anne Incorvia. “Unsere Arbeit kann helfen, die Trainingsbemühungen und Energiekosten zu reduzieren.”

Die Ergebnisse der Forschung wurden in IOP Nanotechnology veröffentlicht.

Laterale Hemmung

Incorvia wurde von dem ersten Autor und zweiten Graduate-Studenten Can Cui begleitet. Zusammen leiteten sie die Studie und entdeckten, dass die Fähigkeit von künstlichen Neuronen, oder magnetischen Nanodrähten, miteinander zu konkurrieren, durch das Abständen in bestimmten Weisen natürlicherweise erhöht werden kann. In dieser Situation gewinnen die am meisten aktivierten, und der Effekt wird als “laterale Hemmung” bezeichnet.

Laterale Hemmung erhöht normalerweise die Kosten und erfordert mehr Energie und Platz, aufgrund der zusätzlichen Schaltung, die in Computern erforderlich ist.

Laut Incorvia ist die neue Methode viel energieeffizienter als ein Standard-Backpropagation-Algorithmus. Bei der Ausführung der gleichen Lernaufgaben wird eine Energieeinsparung von 20 bis 30 Mal durch die Methode der Forscher erreicht.

Wenn man neue Computer betrachtet, gibt es eine Ähnlichkeit zwischen ihnen und dem menschlichen Gehirn. Ebenso wie das menschliche Gehirn Neuronen enthält, enthalten Computer künstliche Versionen. Laterale Hemmung tritt auf, wenn die langsameren Neuronen durch die schnellsten feuern Neuronen verhindert werden, zu feuern. Dies führt zu einer verringerten Notwendigkeit für Energieverbrauch bei der Datenverarbeitung.

Incorvia hat angegeben, dass ein grundlegender Wandel innerhalb von Computern und ihrer Funktionsweise stattfindet. Eine der neuen Trends ist die sogenannte neuromorphe Rechnertechnik, die als Prozess des Designs von Computern, die wie menschliche Gehirne denken, betrachtet werden kann.

Neu entwickelte intelligente Geräte sind so konzipiert, dass sie große Mengen an Daten gleichzeitig analysieren, anstelle nur einzelne Aufgaben zu verarbeiten. Dies ist einer der grundlegenden Aspekte von künstlicher Intelligenz und maschinellem Lernen.

Der Hauptschwerpunkt dieser Forschung lag auf den Interaktionen zwischen zwei magnetischen Neuronen und den Interaktionen von mehreren Neuronen. Das Team wird nun seine Ergebnisse auf größere Mengen von mehreren Neuronen anwenden.

Die Forschung wurde durch ein National Science Foundation CAREER-Award und Sandia National Laboratories unterstützt. Ressourcen wurden von UT’s Texas Advanced Computing Center bereitgestellt.