Les chercheurs développent une nouvelle façon d’augmenter l’efficacité énergétique des ordinateurs intelligents

Les chercheurs de l’école d’ingénierie Cockrell de l’Université du Texas à Austin ont découvert une nouvelle façon d’augmenter l’efficacité énergétique des ordinateurs intelligents. Cela arrive à un moment où il y a un besoin accru d’énergie pour traiter des quantités massives de données, résultat de la technologie récemment développée.

Infrastructure des ordinateurs

Les puces de silicium sont normalement utilisées pour construire l’infrastructure qui alimente les ordinateurs, mais le système récemment développé repose sur des composants magnétiques au lieu de silicium. Les puces de silicium commencent à atteindre leurs limites, en raison de choses comme l’intelligence artificielle, les voitures autonomes et les téléphones 5G et 6G. De nouvelles applications nécessitent des vitesses plus rapides, une latence réduite et une détection de lumière, tout cela nécessitant une énergie accrue. En raison de cela, des alternatives au silicium sont étudiées.

En étudiant la physique des composants magnétiques, les chercheurs ont découvert de nouvelles informations sur la façon dont les coûts énergétiques peuvent être réduits. Ils ont également découvert des moyens de réduire les exigences des algorithmes d’apprentissage, qui sont des réseaux de neurones capables de reconnaître des modèles et des images.

Jean Anne Incorvia est professeur adjoint au département de génie électrique et informatique de l’école Cockrell.

“Actuellement, les méthodes d’apprentissage des réseaux de neurones sont très gourmandes en énergie”, a déclaré Jean Anne Incorvia. “Ce que notre travail peut faire, c’est aider à réduire l’effort d’apprentissage et les coûts énergétiques.”

Les résultats de la recherche ont été publiés dans IOP Nanotechnology.

Inhibition latérale

Incorvia a été rejoint par le premier auteur et l’étudiant de deuxième année Can Cui. Ensemble, ils ont mené l’étude et ont découvert que la capacité des neurones artificiels, ou des nanofils magnétiques, à se concurrencer les uns les autres peut être naturellement augmentée en les espaçant de certaines manières. Dans cette situation, les plus activés finissent par gagner, et l’effet est appelé “inhibition latérale”.

L’inhibition latérale augmente normalement les coûts et nécessite plus d’énergie et d’espace, en raison des circuits supplémentaires nécessaires dans les ordinateurs.

Selon Incorvia, la nouvelle méthode est beaucoup plus économe en énergie qu’un algorithme de rétropropagation standard. Lors de la réalisation des mêmes tâches d’apprentissage, il y a une réduction de l’énergie de 20 à 30 fois réalisée par la méthode des chercheurs.

Lorsque l’on regarde les nouveaux ordinateurs, il y a une similitude entre eux et le cerveau humain. Tout comme le cerveau humain contient des neurones, les ordinateurs contiennent des versions artificielles. L’inhibition latérale se produit lorsque les neurones les plus lents sont empêchés de fonctionner par les neurones les plus rapides. Cela entraîne une diminution du besoin d’énergie pour traiter les données.

Incorvia a indiqué qu’il y a un changement fondamental en cours dans les ordinateurs et leur fonctionnement. L’un des nouveaux courants est appelé calcul neuromorphique, qui peut être considéré comme le processus de conception d’ordinateurs pour qu’ils pensent comme le cerveau humain.

Les nouveaux appareils intelligents sont conçus pour analyser de grandes quantités de données simultanément, plutôt que de traiter des tâches individuelles. C’est l’un des aspects fondamentaux de l’intelligence artificielle et de l’apprentissage automatique.

L’objectif principal de cette recherche était les interactions entre deux neurones magnétiques et les interactions de plusieurs neurones. L’équipe appliquera maintenant ses résultats à des ensembles plus importants de plusieurs neurones.

La recherche a été soutenue par une subvention CAREER de la National Science Foundation et des laboratoires nationaux Sandia. Les ressources ont été fournies par le centre de calcul avancé du Texas de l’UT.