مصرف انرژی هوش مصنوعی هزار برابر کاهش می‌یابد/ تحول در روش ذخیره داده‌ها

به گزارش خبرگزاری علم و فناوری سوشال لند به نقل از  اینترستینگ اینجینیرینگ، محققان آمریکایی دانشگاه مینه‌سوتا دستگاهی طراحی کرده‌اند که به ادعای آنها مصرف انرژی در برنامه‌های هوش مصنوعی را به میزان حداقل ۱۰۰۰ تراوات در ساعت کاهش می‌دهد. این دستگاه که «حافظه محاسباتی با دسترسی تصادفی» (CRAM) نامیده می‌شود قرار است یکی از مهم‌ترین چالش‌ها در حوزه هوش مصنوعی یعنی کاهش مصرف انرژی را برطرف کند.

آژانس بین‌المللی انرژی (IEA) به تازگی پیش‌بینی کرده است که مصرف انرژی برای هوش مصنوعی از ۴۶۰ تراوات ساعت  در سال ۲۰۲۲ به ۱۰۰۰ تراوات ساعت در سال ۲۰۲۶ خواهد رسید، یعنی دوبرابر می‌شود که تقریباً معادل کل مصرف برق ژاپن است.

یانگ لو، محقق پسادکتری در دپارتمان برق دانشگاه مینه‌سوتا و پژوهشگر اصلی این پروژه توضیح داد: «این کار اولین آزمایش «حافظه محاسباتی با دسترسی تصادفی» است که می‌توان داده‌ها را در آن بدون نیاز به خروج از شبکه ذخیره و پردازش کرد.»

در روش‌های سنتی هوش مصنوعی داده‌ها بین واحد‌های منطقی (محل پردازش اطلاعات) و حافظه (محل ذخیره اطلاعات) در حال انتقال هستند که انرژی قابل توجهی مصرف می‌کند، اما دستگاه «حافظه محاسباتی با دسترسی تصادفی» داده‌ها را در حافظه نگه می‌دارد و بنابراین نیازی به انتقال‌های انرژی‌بر ندارد.

محققان تخمین می‌زنند که در مقایسه با روش‌های معمولی، یک شتاب‌دهنده یادگیری ماشینیِ مبتنی بر دستگاه «حافظه محاسباتی با دسترسی تصادفی» می‌تواند تا ۲۵۰۰ برابر در مصرف انرژی صرفه‌جویی کند.

این پیشرفت عظیم یک شبه اتفاق نیفتاد، بلکه نتیجه بیش از ۲۰ سال تحقیق است که توسط جیان پینگ وانگ، استاد برجسته مک نایت و رئیس رابرت اف هارتمن در دپارتمان مهندسی برق و کامپیوتر رهبری شده است.

این فناوری از دستگاه‌های اسپینترونیک استفاده می‌کند که از چرخش الکترون‌ها به جای بار الکتریکی آنها برای ذخیره داده‌ها استفاده می‌کنند.

این رویکرد مزایای قابل توجهی نسبت به تراشه‌های سنتی مبتنی بر ترانزیستور دارد که سرعت بالاتر، مصرف انرژی کمتر و انعطاف‌پذیری در محیط‌های سخت از جمله این موارد هستند.