محققان دستگاهی پیشرفته برای بهره وری بیشتر انرژی ساخته اند

محققان مهندسی در دانشگاه شهرهای دوقلوی مینه‌سوتا یک دستگاه سخت‌افزاری پیشرفته را نشان داده‌اند که می‌تواند مصرف انرژی برای برنامه‌های محاسباتی هوشمند مصنوعی (AI) را حداقل تا ۱۰۰۰ کاهش دهد.

این تحقیق در npj Unconventional Computing، یک مجله علمی معتبر منتشر شده توسط Nature منتشر شده است. محققان چندین اختراع در مورد فناوری استفاده شده در دستگاه دارند.

با تقاضای رو به رشد برنامه های کاربردی هوش مصنوعی، محققان به دنبال راه هایی برای ایجاد یک فرآیند کارآمدتر انرژی، در حالی که عملکرد بالا و هزینه ها را پایین نگه می دارند، بوده اند. معمولاً پردازش‌های هوش مصنوعی یا ماشینی داده‌ها را بین منطق (جایی که اطلاعات در یک سیستم پردازش می‌شود) و حافظه (جایی که داده‌ها ذخیره می‌شوند) منتقل می‌کنند و مقدار زیادی نیرو و انرژی مصرف می‌کنند.

تیمی از محققان در کالج علوم و مهندسی دانشگاه مینه‌سوتا مدل جدیدی را نشان دادند که در آن داده‌ها هرگز از حافظه خارج نمی‌شوند، به نام حافظه با دسترسی تصادفی محاسباتی (CRAM).

یانگ لو، از دپارتمان مهندسی برق و کامپیوتر دانشگاه مینه‌سوتا، گفت: «این کار اولین نمایش آزمایشی CRAM است، که در آن داده‌ها را می‌توان به طور کامل در آرایه حافظه بدون نیاز به خروج از شبکه‌ای که رایانه اطلاعات را در آن ذخیره می‌کند، پردازش کرد. محقق فوق دکتری و اولین نویسنده مقاله.

آژانس بین‌المللی انرژی (IEA) پیش‌بینی مصرف انرژی جهانی را در مارس 2024 منتشر کرد و پیش‌بینی کرد که مصرف انرژی برای هوش مصنوعی احتمالاً از 460 تراوات ساعت (TWh) در سال 2022 به 1000 تراوات ساعت در سال 2026 دو برابر می‌شود. این تقریباً معادل است. مصرف برق کل کشور ژاپن

به گفته نویسندگان مقاله جدید، تخمین زده می‌شود که یک شتاب‌دهنده استنتاج یادگیری ماشین مبتنی بر CRAM به پیشرفتی در حدود 1000 دست یابد. نمونه دیگر صرفه جویی در مصرف انرژی 2500 و 1700 برابر را در مقایسه با روش های سنتی نشان می دهد.

این تحقیق بیش از دو دهه در حال ساخت بوده است.

جیان پینگ وانگ، نویسنده ارشد این مقاله و استاد برجسته مک نایت و رئیس رابرت اف. هارتمن در دپارتمان مهندسی برق و کامپیوتر در می گوید: «مفهوم اولیه ما برای استفاده مستقیم از سلول های حافظه برای محاسبات 20 سال پیش دیوانه کننده تلقی می شد. دانشگاه مینه سوتا

“با گروهی از دانشجویان در حال تکامل از سال 2003 و یک تیم علمی میان رشته ای واقعی که در دانشگاه مینه سوتا ساخته شده است – از فیزیک، علم مواد و مهندسی، علوم و مهندسی کامپیوتر، تا مدل سازی و محک زدن، و ایجاد سخت افزار – ما توانستیم وانگ گفت: نتایج مثبتی به دست آورده و اکنون نشان داده‌اند که این نوع فناوری امکان‌پذیر است و آماده است تا در فناوری گنجانده شود.

این تحقیق بخشی از یک تلاش منسجم و طولانی مدت است که بر اساس تحقیقات پیشگامانه و ثبت اختراع وانگ و همکارانش بر روی دستگاه های اتصالات تونل مغناطیسی (MTJs) ساخته شده است، که دستگاه های نانوساختاری هستند که برای بهبود هارد دیسک ها، حسگرها و سایر سیستم های میکروالکترونیک از جمله استفاده می شوند. حافظه دسترسی تصادفی مغناطیسی (MRAM) که در سیستم های تعبیه شده مانند میکروکنترلرها و ساعت های هوشمند استفاده شده است.

معماری CRAM محاسبات واقعی را در حافظه و توسط حافظه امکان پذیر می کند و دیوار بین محاسبات و حافظه را به عنوان گلوگاه در معماری سنتی فون نویمان می شکند، یک طرح نظری برای یک کامپیوتر برنامه ذخیره شده که به عنوان اساس تقریباً برای تمام رایانه های مدرن عمل می کند.

“به عنوان یک بستر محاسباتی درون حافظه دیجیتال مبتنی بر انرژی بسیار کارآمد، CRAM بسیار منعطف است زیرا محاسبات را می توان در هر مکانی از آرایه حافظه انجام داد. بر این اساس، ما می توانیم CRAM را طوری پیکربندی مجدد کنیم که به بهترین نحو با نیازهای عملکرد مجموعه متنوعی از حافظه ها مطابقت داشته باشد. الگوریتم‌های هوش مصنوعی، اولیا کارپوزکو، کارشناس معماری محاسباتی، یکی از نویسندگان مقاله، و دانشیار گروه مهندسی برق و کامپیوتر در دانشگاه مینه‌سوتا، گفت. “این نسبت به بلوک های ساختمانی سنتی برای سیستم های هوش مصنوعی امروزی از نظر انرژی کارآمدتر است.”

کارپوزکو توضیح داد که CRAM محاسبات را مستقیماً در سلول های حافظه انجام می دهد و از ساختار آرایه به طور موثر استفاده می کند که نیاز به انتقال داده های آهسته و پر انرژی را از بین می برد.

کارآمدترین دستگاه حافظه کوتاه مدت دسترسی تصادفی یا RAM از چهار یا پنج ترانزیستور برای کدگذاری یک یا صفر استفاده می کند اما یک MTJ، یک دستگاه اسپینترونیک، می تواند همان عملکرد را در کسری از انرژی، با سرعت بالاتر انجام دهد. و در برابر محیط های خشن مقاوم است. دستگاه‌های اسپینترونیک از اسپین الکترون‌ها به جای بار الکتریکی برای ذخیره داده‌ها استفاده می‌کنند و جایگزین کارآمدتری برای تراشه‌های سنتی مبتنی بر ترانزیستور می‌کنند.

در حال حاضر، این تیم در حال برنامه‌ریزی برای همکاری با رهبران صنعت نیمه‌رسانا، از جمله کسانی که در مینه‌سوتا هستند، برای ارائه نمایش‌هایی در مقیاس بزرگ و تولید سخت‌افزار برای پیشبرد عملکرد هوش مصنوعی است.

علاوه بر Lv، Wang، و Karpuzcu، این تیم شامل محققان دانشگاه مینه‌سوتا از گروه مهندسی برق و کامپیوتر، Robert Bloom و Husrev Cilasun بود. استاد محترم مک نایت و رئیس رابرت و مارجوری هنله ساچین ساپات نکار. براندون زینک، زمشد چاودوری و سالونیک رش، محققین پیشین فوق دکترا. به همراه محققان دانشگاه آریزونا: پروین خانال، علی حبیب اوغلو و پروفسور ویگانگ وانگ