Forskare Utvecklar Ny Metod för Att Öka Energiefektiviteten i Smarta Datorer

Forskare från Cockrell School of Engineering vid University of Texas at Austin har upptäckt en ny metod för att öka energiefektiviteten i smarta datorer. Detta sker under en tid då det finns ett ökat behov av energi för att bearbeta stora mängder data, ett resultat av nyligen utvecklad teknik.

Datorers Infrastruktur

Kiselchips används vanligtvis för att bygga den infrastruktur som driver datorer, men det nyligen utvecklade systemet använder istället magnetiska komponenter. Kiselchipsen börjar nå sina begränsningar på grund av saker som artificiell intelligens, självkörande bilar och 5G- och 6G-telefoner. Nya applikationer kräver snabbare hastigheter, minskad latens och ljusdetektering, allt som kräver ökad energi. På grund av detta undersöks alternativ till kisel.

Genom att studera fysiken i de magnetiska komponenterna fann forskarna ny information om hur energikostnaderna kan minskas. De upptäckte också sätt att minska kraven för träningsalgoritmer, som är neuronnätverk som kan känna igen mönster och bilder.

Jean Anne Incorvia är biträdande professor vid Cockrell School of Engineering, institutionen för elektro- och datorteknik.

“Just nu är metoderna för att träna neuronnätverk mycket energikrävande”, säger Jean Anne Incorvia. “Vårt arbete kan hjälpa till att minska träningsansträngningen och energikostnaderna.”

Forskningens resultat publicerades i IOP Nanotechnology.

Lateral Inhibition

Incorvia arbetade tillsammans med första författaren och andraårs doktoranden Can Cui. Tillsammans ledde de studien och upptäckte att förmågan för de artificiella neuronerna, eller magnetiska nanotrådarna, att tävla mot varandra kan ökas naturligt genom att placera dem på vissa sätt. I den här situationen vinner de mest aktiverade och effekten kallas “lateral inhibition”.

Lateral inhibition ökar vanligtvis kostnaderna och kräver mer energi och utrymme på grund av den extra kretsen som krävs i datorer.

Enligt Incorvia är den nya metoden mycket mer energieffektiv än en standard bakpropageringsalgoritm. 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. Liksom mänskliga hjärnor innehåller neuroner, innehåller datorerna artificiella versioner. Lateral inhibition sker när de långsammare neuronerna hindras från att avfyra av de snabbaste avfyrande neuronerna. Detta resulterar i en minskad behov av energianvändning vid data bearbetning.

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

Nya smarta enheter är utformade för att analysera stora mängder data samtidigt, snarare än att bara bearbeta enskilda uppgifter. Detta är en av de grundläggande aspekterna av artificiell intelligens och maskinlärning.

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

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