Forskare utvecklar ett nytt sätt att öka energieffektiviteten hos smarta datorer

Forskare från Cockrell School of Engineering vid University of Texas i Austin har upptäckt ett nytt sätt att öka energieffektiviteten hos smarta datorer. Detta sker under en tid då det finns ett ökat behov av energi för att kunna bearbeta enorma mängder data, ett resultat av nyutvecklad teknik. 

Infrastruktur för datorer

Kiselchips används normalt för att bygga infrastrukturen som driver datorer, men det nyutvecklade systemet förlitar sig på magnetiska komponenter istället för kisel. Kiselchipsen börjar nå sina begränsningar, på grund av saker som artificiell intelligens, självkörande bilar och 5G- och 6G-telefoner. Nya applikationer kräver högre hastigheter, minskad latens och ljusdetektering, allt kräver ökad energi. På grund av detta tittar man på alternativ till silikon. 

Genom att studera de magnetiska komponenternas fysik fann forskarna ny information om hur energikostnaderna kan sänkas. De upptäckte också sätt att minska kraven på träningsalgoritmer, som är neurala nätverk som kan känna igen mönster och bilder. 

Jean Anne Incorvia är biträdande professor vid Cockrell Schools avdelning för elektro- och datorteknik. 

"Just nu är metoderna för att träna dina neurala nätverk väldigt energikrävande", säger Jean Anne Incorvia. "Vad vårt arbete kan göra är att hjälpa till att minska utbildningsansträngningen och energikostnaderna."

Resultaten från forskningen publicerades i IOP nanoteknik. 

Lateral hämning

Incorvia fick sällskap av första författare och andraårs doktorand Can Cui. Tillsammans ledde de studien och upptäckte att förmågan för de artificiella neuronerna, eller magnetiska nanotrådarna, att konkurrera mot varandra naturligt kan ökas genom att placera dem på olika sätt. I den här situationen kommer de mest aktiverade att vinna, och effekten kallas "lateral hämning". 

Lateral inhibering ökar normalt kostnaderna och tar mer energi och utrymme, på grund av de extra kretsar som krävs i datorer. 

Enligt Incorvia är den nya metoden mycket mer energieffektiv än en vanlig back-propagation-algoritm. När man utför samma inlärningsuppgifter uppnås en energireduktion på 20 till 30 gånger med forskarnas metod. 

När man tittar på nya datorer finns det en likhet mellan dem och mänskliga hjärnor. Ungefär som hur mänskliga hjärnor innehåller neuroner, innehåller datorerna konstgjorda versioner. Lateral hämning sker när de långsammare neuronerna hindras från att skjuta av de snabbast skjutande neuronerna. Detta resulterar i ett minskat behov av energianvändning vid bearbetning av data. 

Incorvia har indikerat att det sker en grundläggande förändring inom datorer och hur de fungerar. En av de nya trenderna kallas neuromorphic computing, som kan ses som processen att designa datorer för att tänka som mänskliga hjärnor. 

Nyutvecklade smarta enheter är designade för att analysera enorma mängder data samtidigt, snarare än att bara bearbeta enskilda uppgifter. Detta är en av de grundläggande aspekterna av artificiell intelligens och maskininlärning. 

Huvudfokus för denna forskning var interaktionen mellan två magnetiska neuroner och interaktionen mellan flera neuroner. Teamet kommer nu att tillämpa sina resultat på större uppsättningar av flera neuroner. 

Forskningen stöddes av en National Science Foundation CAREER Award och Sandia National Laboratories. Resurser tillhandahölls av UT:s Texas Advanced Computing Center.