研究人员开发新的方法提高智能计算机的能效

来自德克萨斯大学奥斯汀分校的工程学院的研究人员发现了一种新的方法来提高智能计算机的能效。这是在新技术发展的背景下，需要更多的能量来处理大量的数据。

计算机基础设施

通常，硅芯片被用来构建计算机的基础设施，但新的系统依赖于磁性组件而不是硅。由于人工智能、自动驾驶汽车、5G 和 6G 手机的发展，硅芯片开始达到其极限。新的应用需要更快的速度、更低的延迟和光检测，这些都需要更多的能量。因此，人们正在寻找替代硅的方法。

通过研究磁性组件的物理，研究人员发现了新的信息关于如何降低能耗。他们还发现了如何降低训练算法的要求，这些算法是能够识别模式和图像的神经网络。

Jean Anne Incorvia 是工程学院电气和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。“我们的工作可以帮助降低训练的努力和能耗。”

研究结果发表在 IOP 纳米技术期刊上。

侧向抑制

Incorvia 与第一作者和第二年研究生 Can Cui 一起，领导了这项研究，并发现人工神经元或磁性纳米线之间的竞争可以通过特定的方式增加。这种情况下，最活跃的神经元会获胜，这种效果被称为“侧向抑制”。

侧向抑制通常会增加成本和能耗，因为需要额外的电路。但是，Incorvia 的新方法比标准的反向传播算法更节能。当执行相同的学习任务时，研究人员的方法可以降低 20 到 30 倍的能耗。

新型计算机与人脑有相似之处。就像人脑包含神经元一样，计算机包含人工神经元。侧向抑制发生在较慢的神经元被较快的神经元抑制时，这导致能耗降低。

Incorvia 表示，计算机正在经历根本性的变化。其中一个新趋势是神经形态计算，它可以被视为设计计算机使其像人脑一样思考的过程。

新开发的智能设备可以同时分析大量数据，而不是仅处理单个任务。这是人工智能和机器学习的基础方面之一。

这项研究的主要重点是两个磁性神经元之间的相互作用以及多个神经元之间的相互作用。研究团队现在将把他们的发现应用于更大的神经元集。

这项研究得到了国家科学基金会的 CAREER 奖和 Sandia 国家实验室的支持。资源由德克萨斯大学的 Texas 高级计算中心提供。