研究人员开发出提高智能计算机能源效率的新方法

德克萨斯大学奥斯汀分校科克雷尔工程学院的研究人员发现了一种提高智能计算机能源效率的新方法。 由于新开发的技术，处理大量数据对能源的需求不断增加。 

计算机基础设施

硅芯片通常用于构建为计算机供电的基础设施，但新开发的系统依赖于磁性元件而不是硅。 由于人工智能、自动驾驶汽车以及 5G 和 6G 手机等因素，硅芯片开始达到其极限。 新应用需要更快的速度、更少的延迟和光检测，所有这些都需要增加能量。 因此，人们正在寻找有机硅的替代品。 

通过研究磁性元件的物理原理，研究人员发现了有关如何降低能源成本的新信息。 他们还发现了降低训练算法要求的方法，训练算法是能够识别模式和图像的神经网络。 

Jean Anne Incorvia 是科克雷尔学院电气与计算机工程系的助理教授。 

“目前，训练神经网络的方法非常耗能，”Jean Anne Incorvia 说。 “我们的工作可以做的是帮助减少培训工作和能源成本。”

研究结果发表于 IOP纳米技术. 

横向抑制

第一作者、二年级研究生 Can Cui 也加入了 Incorvia。 他们共同领导了这项研究，发现通过以某种方式间隔人工神经元或磁性纳米线可以自然地增强它们相互竞争的能力。 在这种情况下，最活跃的人最终获胜，这种效应被称为“侧向抑制”。 

由于计算机内需要额外的电路，横向抑制通常会增加成本并占用更多的能量和空间。 

Incorvia 表示，新方法比标准反向传播算法更加节能。 当执行相同的学习任务时，研究人员的方法可以减少 20 到 30 倍的能量。 

当观察新计算机时，它们与人脑之间存在相似之处。 就像人类大脑包含神经元的方式一样，计算机也包含人工神经元。 当较慢的神经元被最快的放电神经元阻止放电时，就会发生侧向抑制。 这导致处理数据时对能源使用的需求减少。 

Incorvia 表示，计算机及其运行方式正在发生根本性的变化。 新趋势之一被称为神经形态计算，它可以被视为设计计算机像人脑一样思考的过程。 

新开发的智能设备旨在同时分析大量数据，而不仅仅是处理单个任务。这是人工智能和机器学习的基础方面之一。 

这项研究的主要焦点是两个磁神经元之间的相互作用以及多个神经元之间的相互作用。 该团队现在将把他们的发现应用于更大的多个神经元组。 

该研究得到了国家科学基金会的支持 奖和桑迪亚国家实验室。 资源由 UT 的德克萨斯高级计算中心提供。