Исследователи разработали новый способ увеличения энергоэффективности умных компьютеров

Исследователи из Cockrell School of Engineering при Университете Техаса в Остине открыли новый способ увеличения энергоэффективности умных компьютеров. Это происходит в то время, когда существует возрастающая потребность в энергии для обработки огромных объемов данных, что является результатом недавно разработанной технологии.

Инфраструктура компьютеров

Обычно для построения инфраструктуры, которая питает компьютеры, используются кремниевые чипы, но недавно разработанная система использует магнитные компоненты вместо кремния. Кремниевые чипы начинают достигать своих пределов из-за таких вещей, как искусственный интеллект, самоходные автомобили и телефоны 5G и 6G. Новые приложения требуют более высоких скоростей, снижения задержки и обнаружения света, все это требует увеличения энергии. Из-за этого рассматриваются альтернативы кремнию.

Изучая физику магнитных компонентов, исследователи обнаружили новую информацию о том, как можно снизить энергетические затраты. Они также обнаружили способы снижения требований к алгоритмам обучения, которые представляют собой нейронные сети, способные распознавать закономерности и изображения.

Джин Энн Инкорвия – помощник профессора в отделении электротехники и компьютерных наук Cockrell School.

“Сейчас методы обучения нейронных сетей очень энергозатратны”, – сказала Джин Энн Инкорвия. “Наша работа может помочь снизить усилия по обучению и энергетические затраты.”

Результаты исследования были опубликованы в IOP Nanotechnology.

Поперечная ингибирование

Инкорвия была присоединена к первому автору и второму году аспиранта Кан Цуй. Вместе они возглавили исследование и обнаружили, что способность искусственных нейронов, или магнитных нанопроводов, конкурировать друг с другом может быть естественно увеличена путем их размещения в определенных способах. В этой ситуации наиболее активированные из них в конечном итоге побеждают, и этот эффект называется “поперечной ингибированием”.

Поперечная ингибирование обычно увеличивает затраты и требует больше энергии и места, из-за дополнительной схемы, которая требуется внутри компьютеров.

По словам Инкорвии, новый метод намного более энергоэффективен, чем стандартный алгоритм обратного распространения. При выполнении одних и тех же задач обучения достигается снижение энергопотребления в 20-30 раз по сравнению с методом исследователей.

Когда мы смотрим на новые компьютеры, между ними и человеческим мозгом есть сходство. Как и человеческий мозг содержит нейроны, компьютеры содержат искусственные версии. Поперечная ингибирование происходит, когда более медленные нейроны предотвращают выстрел быстрее выстреливающих нейронов. Это приводит к снижению потребности в энергии при обработке данных.

Инкорвия указала на то, что происходит фундаментальная смена внутри компьютеров и того, как они работают. Одна из новых тенденций называется нейроморфной вычислительной техникой, которая может быть рассмотрена как процесс проектирования компьютеров для того, чтобы они думали как человеческий мозг.

Недавно разработанные умные устройства предназначены для анализа огромных объемов данных одновременно, а не только для обработки отдельных задач. Это является одним из фундаментальных аспектов искусственного интеллекта и машинного обучения.

Основной焦点 этого исследования был взаимодействием между двумя магнитными нейронами и взаимодействием нескольких нейронов. Команда теперь будет применять свои результаты к более крупным наборам нескольких нейронов.

Исследование было поддержано Национальным научным фондом CAREER и лабораториями Sandia National. Ресурсы были предоставлены центром передовых вычислений Техасского университета.