Home / Economia / Un nuovo modo per aumentare l’efficienza energetica dei computer intelligenti

Un nuovo modo per aumentare l’efficienza energetica dei computer intelligenti

Alex McFarland


I ricercatori sviluppano un nuovo modo per aumentare l’efficienza energetica dei computer intelligenti
I ricercatori della Cockrell School of Engineering dell’Università del Texas ad Austin hanno scoperto un nuovo modo per aumentare l’efficienza energetica degli smart computer. Ciò avviene in un momento in cui vi è una crescente necessità di energia per elaborare enormi quantità di dati, il risultato di una nuova tecnologia sviluppata.

Infrastruttura di computer
I chip di silicio vengono normalmente utilizzati per costruire l’infrastruttura che alimenta i computer, ma il sistema appena sviluppato si basa su componenti magnetici anziché sul silicio. I chip di silicio stanno iniziando a raggiungere i loro limiti, a causa di cose come l’intelligenza artificiale, le auto a guida autonoma e i telefoni 5G e 6G. Le nuove applicazioni richiedono velocità più elevate, latenza ridotta e rilevamento della luce, il che richiede una maggiore energia. Per questo motivo, vengono prese in considerazione alternative al silicone.

Studiando la fisica dei componenti magnetici, i ricercatori hanno scoperto nuove informazioni su come ridurre i costi energetici. Hanno anche scoperto modi per ridurre i requisiti degli algoritmi di addestramento, che sono reti neurali in grado di riconoscere modelli e immagini.

Jean Anne Incorvia è un assistente professore presso il Dipartimento di Ingegneria Elettrica e Informatica della Cockrell School.

“In questo momento, i metodi per allenare le tue reti neurali sono ad alta intensità energetica”, ha dichiarato Jean Anne Incorvia. “Ciò che il nostro lavoro può fare è contribuire a ridurre lo sforzo di formazione e i costi energetici”.

I risultati della ricerca sono stati pubblicati su IOP Nanotechnology .

Inibizione laterale
Incorvia è stata raggiunta dal primo autore e studente di secondo anno Can Cui. Insieme, hanno condotto lo studio e hanno scoperto che la capacità dei neuroni artificiali, o nanofili magnetici, di competere l’uno contro l’altro può essere naturalmente aumentata spaziandoli in alcuni modi. In questa situazione, i più attivati ​​finiscono per vincere e l’effetto si chiama “inibizione laterale”.

L’inibizione laterale normalmente aumenta i costi e richiede più energia e spazio, a causa dei circuiti aggiuntivi richiesti all’interno dei computer.

Secondo Incorvia, il nuovo metodo è molto più efficiente dal punto di vista energetico rispetto a un algoritmo di retro-propagazione standard. Quando si eseguono gli stessi compiti di apprendimento, si ottiene una riduzione di energia da 20 a 30 volte ottenuta con il metodo dei ricercatori.

Quando si guardano i nuovi computer, c’è una somiglianza tra loro e il cervello umano. Proprio come il modo in cui il cervello umano contiene neuroni, i computer contengono versioni artificiali. L’inibizione laterale ha luogo quando i neuroni più lenti non possono sparare ai neuroni più lenti. Ciò comporta una riduzione della necessità di utilizzo di energia nell’elaborazione dei dati.

I ricercatori sviluppano un nuovo modo per aumentare l’efficienza energetica dei computer intelligenti

Incorvia ha indicato che c’è un cambiamento fondamentale in atto all’interno dei computer e come funzionano. Una delle nuove tendenze si chiama elaborazione neuromorfa, che può essere vista come il processo di progettazione di computer per pensare come cervelli umani.

I dispositivi intelligenti di nuova concezione sono progettati per analizzare simultaneamente enormi quantità di dati, anziché semplicemente elaborare singole attività. Questo è uno degli aspetti fondamentali dell’intelligenza artificiale e dell’apprendimento automatico .

L’obiettivo principale di questa ricerca erano le interazioni tra due neuroni magnetici e le interazioni di più neuroni. Il team applicherà ora i loro risultati a gruppi più grandi di neuroni multipli.

La ricerca è stata supportata da un premio CAREER della National Science Foundation e Sandia National Laboratories. Le risorse sono state fornite dal Texas Advanced Computing Center di UT.

Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi