идея 20-летней давности повышает эффективность искусственного интеллекта в 1 000 раз
Большая часть энергопотребления приходится на передачу данных. Это тем более актуально для огромных объемов данных, с которыми работают алгоритмы искусственного интеллекта.
Поэтому пропуск этого этапа, который также считается узким местом между памятью и логическими процессами, имеет огромное значение. И именно здесь на помощь приходит идея 2003 года, разработанная тогда в Университете Миннесоты.
Это привело к сотрудничеству между многочисленными дисциплинами - от физики до инженерии и информатики. В результате был создан ряд схем, которые сегодня используются в умных часах и элементах памяти.
Также была задействована вычислительная память с произвольным доступом (Computational Random Access Memory, или CRAM). Она позволяет производить фактические вычисления и выполнять параллельные процессы непосредственно в основной памяти и в любом ее месте.
Больше, чем просто новая архитектура
Более того, это не обычные схемы, а магнитные туннельные контакты, которые могут использовать спин электрона вместо заряда для переключения между 0 и 1.
В приложениях, основанных на искусственном интеллекте, это приводит к тому, что для достижения того же результата, что и при использовании классического метода, потребление электроэнергии составляет одну тысячную часть. Текущее и прогнозируемое потребление электроэнергии нейронными сетями по всему миру показывает, насколько огромно это количество электроэнергии. По данным Международного энергетического агентства, в 2022 году было использовано 460 тераватт-часов. Ожидается, что не позднее 2026 года этот показатель составит 1 000 тераватт-часов.
С учетом гигантского потенциала экономии в 99,9%, останется 999 тераватт-часов, которые больше не понадобятся. Это соответствует годовому потреблению электроэнергии Японией, четвертой по величине экономикой со 126 миллионами жителей.
Согласно статье, это даже не самый лучший возможный результат. Дальнейшие испытания могли бы снизить потребление энергии в 1 700 или 2 500 раз. Такое дополнительное увеличение эффективности стало возможным благодаря целенаправленной адаптации CRAM к индивидуальным алгоритмам, которые могут быть рассчитаны еще быстрее и, следовательно, экономичнее.
Источник(и)
