Onderzoekers ontwikkelen nieuwe manier om energieverbruik van slimme computers te verhogen

Onderzoekers van de Cockrell School of Engineering van de Universiteit van Texas in Austin hebben een nieuwe manier ontdekt om het energieverbruik van slimme computers te verhogen. Dit gebeurt op een moment dat er een grotere behoefte is aan energie om grote hoeveelheden gegevens te verwerken, als gevolg van recent ontwikkelde technologie.

Infrastructuur van computers

Siliciumchips worden normaal gesproken gebruikt om de infrastructuur te bouwen die computers aandrijft, maar het nieuw ontwikkelde systeem maakt gebruik van magnetische componenten in plaats van silicium. De siliciumchips beginnen hun beperkingen te bereiken vanwege dingen zoals kunstmatige intelligentie, zelfrijdende auto’s en 5G- en 6G-telefoons. Nieuwe toepassingen vereisen snellere snelheden, minder vertraging en lichtdetectie, allemaal vereisen meer energie. Daarom worden alternatieven voor silicium onderzocht.

Door de fysica van de magnetische componenten te bestuderen, ontdekten de onderzoekers nieuwe informatie over hoe energiekosten kunnen worden verlaagd. Ze ontdekten ook manieren om de vereisten voor trainingsalgoritmen te verlagen, die neurale netwerken zijn die patronen en afbeeldingen kunnen herkennen.

Jean Anne Incorvia is een assistent-professor in de afdeling Elektrotechniek en Informatica van de Cockrell School.

“Op dit moment zijn de methoden voor het trainen van neurale netwerken erg energie-intensief”, zei Jean Anne Incorvia. “Wat ons onderzoek kan doen, is helpen om de trainingsinspanning en energiekosten te verlagen.”

De resultaten van het onderzoek werden gepubliceerd in IOP Nanotechnology.

Laterale remming

Incorvia werd vergezeld door de eerste auteur en tweedejaars graduate student Can Cui. Samen leidden ze het onderzoek en ontdekten dat de mogelijkheid voor de kunstmatige neuronen, of magnetische nanodraden, om tegen elkaar te concurreren, natuurlijk kan worden verhoogd door ze op bepaalde manieren te ruimten. In deze situatie winnen de meest geactiveerde, en het effect wordt “laterale remming” genoemd.

Laterale remming verhoogt normaal gesproken de kosten en neemt meer energie en ruimte in beslag vanwege de extra schakeling die nodig is in computers.

Volgens Incorvia is de nieuwe methode veel energie-efficiënter dan een standaard back-propagatie-algoritme. Wanneer dezelfde leertaak wordt uitgevoerd, wordt een energiereductie van 20 tot 30 keer bereikt door de methode van de onderzoekers.

Bij het kijken naar nieuwe computers is er een overeenkomst tussen hen en de menselijke hersenen. Net zoals de menselijke hersenen neuronen bevatten, bevatten computers kunstmatige versies. Laterale remming treedt op wanneer de langzamere neuronen worden voorkomen om te vuren door de snelst vurende neuronen. Dit resulteert in een afgenomen behoefte aan energieverbruik bij het verwerken van gegevens.

Incorvia heeft aangegeven dat er een fundamentele verandering plaatsvindt binnen computers en hoe ze werken. Een van de nieuwe trends is neuromorfische computing, die kan worden gezien als het proces van het ontwerpen van computers om als menselijke hersenen te denken.

Nieuw ontwikkelde slimme apparaten zijn ontworpen om grote hoeveelheden gegevens tegelijk te analyseren, in plaats van alleen individuele taken te verwerken. Dit is een van de fundamentele aspecten van kunstmatige intelligentie en machine learning.

Het hoofddoel van dit onderzoek was de interactie tussen twee magnetische neuronen en de interactie van meerdere neuronen. Het team zal nu hun bevindingen toepassen op grotere sets van meerdere neuronen.

Het onderzoek werd ondersteund door een National Science Foundation CAREER Award en Sandia National Laboratories. Bronnen werden verleend door UT’s Texas Advanced Computing Center.