先进的硬件设备将人工智能能耗降低1000倍

随着人工智能应用需求的不断增长，研究人员一直在研究如何在保持高性能和低成本的同时，创建更节能的流程。通常，机器或人工智能流程在逻辑（系统内处理信息的地方）和内存（存储数据的地方）之间传输数据，需要消耗大量的电力和能源。

明尼苏达大学科学与工程学院的一个研究小组展示了一种新模式，在这种模式下，数据永远不会离开内存，这种模式被称为计算随机存取内存（CRAM）。

明尼苏达大学电气与计算机工程系博士后研究员、论文第一作者吕杨说："这项工作是 CRAM 的首次实验演示，数据可以完全在内存阵列内处理，而无需离开计算机存储信息的网格。"

定制的硬件设备计划帮助人工智能提高能效。资料来源：明尼苏达大学双城分校

国际能源机构（IEA）发布了一份全球能源使用预测预测，人工智能的能源消耗可能翻一番，从 2022 年的 460 太瓦时（TWh）增至 2026 年的 1,000 太瓦时（TWh）。这大致相当于日本全国的耗电量。

据新论文的作者称，基于 CRAM 的机器学习推理加速器估计可实现 1000 次的改进。另一个例子显示，与传统方法相比，可节省 2500 和 1700 倍的能源。

"这项研究已经有20多年的历史了。"该论文的资深作者、明尼苏达大学麦克奈特特聘教授兼电气与计算机工程系罗伯特-F-哈特曼讲座教授王建平说："20年前，我们最初提出的将存储单元直接用于计算的概念被认为是疯狂的。"

"自2003年以来，我们的学生团队不断发展壮大，明尼苏达大学也建立了一支真正跨学科的教师团队，从物理学、材料科学与工程、计算机科学与工程，到建模和基准测试，再到硬件创建，我们都取得了积极的成果，现在我们已经证明，这种技术是可行的，并已准备好将其应用到技术中。"

磁隧道结 (MTJs) 是一种纳米结构器件，用于改进硬盘驱动器、传感器和其他微电子系统，包括磁随机存取存储器 (MRAM)，MRAM 已被用于微控制器和智能手表等嵌入式系统。

CRAM 体系结构实现了真正的内存计算，打破了传统冯-诺依曼体系结构中作为瓶颈的计算与内存之间的壁垒，传统冯-诺依曼体系结构是存储程序计算机的理论设计，几乎是所有现代计算机的基础。

"作为一种能效极高的基于数字的内存计算基板，CRAM 非常灵活，可以在内存阵列的任何位置进行计算。因此，我们可以重新配置 CRAM，使其最符合各种人工智能算法的性能需求，"计算架构专家、论文共同作者、明尼苏达大学电气与计算机工程系副教授 Ulya Karpuzcu 说。"与当今人工智能系统的传统构建模块相比，它更加节能。"

CRAM 直接在内存单元内执行计算，有效利用了阵列结构，无需进行缓慢而耗能的数据传输。最高效的短期随机存取存储器（RAM）设备使用四五个晶体管来编码一个 1 或 0，而 MTJ（一种自旋电子设备）只需很少的能量就能实现相同的功能，速度更快，而且能适应恶劣的环境。自旋电子器件利用电子的自旋而不是电荷来存储数据，为传统的晶体管芯片提供了更高效的替代方案。

目前，该团队已计划与包括明尼苏达州在内的半导体行业领导者合作，提供大规模的演示和生产硬件，以推进人工智能功能。

编译自/ScitechDaily