Forskere Utvikler Ny Metode for å Øke EnergiEffektiviteten til Smarte Datamaskiner

Forskere fra Cockrell School of Engineering ved University of Texas at Austin har oppdaget en ny måte å øke energi-effektiviteten til smarte datamaskiner. Dette skjer i en tid hvor det er en økende behov for energi for å prosessere massive mengder data, et resultat av ny utviklet teknologi.

Infrastruktur for Datamaskiner

Silisium-chip er vanligvis brukt til å bygge infrastrukturen som driver datamaskiner, men det nyutviklede systemet baserer seg på magnetiske komponenter i stedet for silisium. Silisium-chipene begynner å nå sine begrensninger, på grunn av ting som kunstig intelligens, selvkjørende biler og 5G og 6G-telefoner. Ny teknologi krever høyere hastighet, redusert forsinkelse og lysdeteksjon, alt sammen krever økt energi. Derfor ser man etter alternativer til silisium.

Ved å studere fysikken til de magnetiske komponentene, fant forskerne ny informasjon om hvordan energikostnadene kan reduseres. De oppdaget også måter å redusere kravene til trening av algoritmer, som er neurale nettverk som kan gjenkjenne mønster og bilder.

Jean Anne Incorvia er en assistentprofessor ved Cockrell School’s Department of Electrical and Computer Engineering.

“For tiden er metoder for å trene neurale nettverk svært energikrevende,” sa Jean Anne Incorvia. “Hva vårt arbeid kan gjøre er å hjelpe med å redusere treningssammenbrudd og energikostnader.”

Funnene fra forskningen ble publisert i IOP Nanotechnology.

Lateral Hemming

Incorvia ble ledsaget av første forfatter og andreårs student Can Cui. Sammen ledet de studien og oppdaget at evnen til at kunstige nerveceller, eller magnetiske nanotråder, kan konkurrere mot hverandre kan økes naturlig ved å plassere dem på bestemte måter. I denne situasjonen ender de mest aktive opp med å vinne, og effekten kalles “lateral hemming”.

Lateral hemming øker vanligvis kostnadene og krever mer energi og plass, på grunn av den ekstra kretsen som kreves i datamaskiner.

Ifølge Incorvia er den nye metoden mye mer energi-effektiv enn en standard bak-propagationalgoritme. Når de utfører de samme læringsoppgavene, oppnår forskernes metode en energireduksjon på 20 til 30 ganger.

Når man ser på nye datamaskiner, er det en likhet mellom dem og menneskehjernen. Liksom menneskehjernen inneholder nerveceller, inneholder datamaskinene kunstige versjoner. Lateral hemming skjer når de langsommere nervecellene hindres fra å fyre av de raskeste fyrende nervecellene. Dette resulterer i en redusert behov for energibruk ved dataprosessering.

Incorvia har indikert at det skjer en grunnleggende endring innen datamaskiner og hvordan de opererer. En av de nye trendene kalles neuromorf datamaskining, som kan sees på som prosessen med å designe datamaskiner som tenker som menneskehjernen.

Nyutviklede smarte enheter er designet for å analysere massive mengder data samtidig, i stedet for å bare prosessere enkeltoppgaver. Dette er en av de grunnleggende aspektene ved kunstig intelligens og maskinlæring.

Hovedfokuset for denne forskningen var interaksjonene mellom to magnetiske nerveceller og interaksjonene mellom flere nerveceller. Teamet vil nå anvende sine funn på større sett av flere nerveceller.

Forskningen ble støttet av en National Science Foundation CAREER-pris og Sandia National Laboratories. Ressursene ble tilbudt av UT’s Texas Advanced Computing Center.