Nowy chip sztucznej inteligencji
Naukowcy z Oregon State University opracowali nowy chip sztucznej inteligencji, który zwiększa efektywność energetyczną sześciokrotnie dzięki innowacyjnemu systemowi materiałów. To rozwiązanie ma na celu znaczne zmniejszenie zużycia energii przez technologie AI poprzez naśladowanie zintegrowanych metod przetwarzania biologicznych sieci neuronowych.
Zwiększona efektywność energetyczna
Nowy chip AI może zwiększyć efektywność energetyczną sześciokrotnie, integrując przetwarzanie danych i ich przechowywanie na wzór biologicznych sieci neuronowych, co pozwala znacząco zredukować ślad energetyczny AI.
Rosnące zapotrzebowanie na energię
Wraz ze wzrostem wykorzystania sztucznej inteligencji, rośnie także zapotrzebowanie na energię. Prognozy wskazują, że do 2027 roku sztuczna inteligencja będzie odpowiadać za pół procenta globalnego zużycia energii – co odpowiada rocznemu zużyciu energii przez Holandię.
Badania nad nowymi platformami materiałowymi
Profesor nadzwyczajna inżynierii elektrycznej i informatyki, Sieun Chae, pracuje nad zmniejszeniem zużycia energii przez technologie AI. Badania nad chipami opartymi na nowej platformie materiałowej pozwalają na jednoczesne przetwarzanie i przechowywanie danych, naśladując sposób, w jaki biologiczne sieci neuronowe przechowują i przetwarzają informacje.
Zmniejszenie przenoszenia danych
„Z pojawieniem się AI, komputery są zmuszone do szybkiego przetwarzania i przechowywania ogromnych ilości danych,” mówi Chae. „Chipy AI są zaprojektowane do wykonywania zadań w pamięci, co minimalizuje przenoszenie danych między pamięcią a procesorem, dzięki czemu mogą wykonywać zadania AI znacznie efektywniej energetycznie.”
Memrystory i nowe materiały
Chipy zawierają komponenty zwane memrystorami – rezystorami pamięciowymi. Większość memrystorów składa się z prostego systemu materiałowego z dwóch elementów, ale te badane przez Chae wykorzystują nowy system materiałowy znany jako tlenki stabilizowane entropią (ESO). Ponad pół tuzina elementów tworzy ESO, co pozwala na precyzyjne dostrojenie ich możliwości pamięciowych.
Optymalizacja składu ESO
Memrystory są podobne do biologicznych sieci neuronowych, ponieważ żadna z nich nie ma zewnętrznego źródła pamięci – nie traci się więc energii na przenoszenie danych tam i z powrotem. Optymalizując skład ESO do specyficznych zadań AI, chipy oparte na ESO mogą wykonywać zadania z dużo mniejszym zużyciem energii niż centralna jednostka przetwarzająca komputera, podkreśla Chae.
Przetwarzanie informacji zależnych od czasu
Dodatkowym atutem jest zdolność sztucznych sieci neuronowych do przetwarzania informacji zależnych od czasu, takich jak dane audio i wideo, dzięki dostrojeniu składu ESO, co pozwala urządzeniu działać na zróżnicowanej skali czasowej.
