Kunstig intelligens (AI) har oplevet betydelige fremskridt inden for teknologi, men det bringer også udfordringer i forhold til beregningskraft og energiforbrug. Disse udfordringer bliver særligt komplekse i krævende miljøer som ukrainsk mudder, arktisk sne eller ørkenens sand. For at imødegå disse udfordringer lancerede Defense Advanced Research Projects Agency (DARPA) OPTIMA-programmet, der sigter mod at udvikle kompakt AI-teknologi, der omgår størrelse, vægt, energi- og kølebegrænsninger.
DARPA tildelte kontrakter til IBM, Infineon og tre amerikanske universiteter med en potentiel samlet værdi på 78 millioner dollars over fire og et halvt år. Hver modtager har anvendt deres egen unikke og innovative tilgang til at tackle udfordringen. Interview med de tildelte har afsløret nogle fælles træk og vigtige forskelle i deres strategier.
Det centrale problem, som OPTIMA-programmet adresserer, omhandler bevægelsen af data mellem hukommelsen og processoren i traditionelle chips. Den konstante overførsel skaber en flaskehals for komplekse AI-beregninger udført på store mængder data. For at overvinde dette har ingeniører udforsket In-Memory Computing (IMC), der integrerer processoren i hukommelsen for at eliminere hyppige dataoverførsler.
OPTIMA-programmet har været vidne til gennembrud inden for IMC-teknikker. Princetons hold, ledet af professor Naveem Varma, udviklede en unik løsning ved at bruge kondensatorer i stedet for halvledere til at transmittere analoge signaler. Afstanden mellem disse metaltråde bestemmer den elektriske ladning, hvilket giver større energieffektivitet. Varmas tilgang kræver ikke eksotiske værktøjer, hvilket gør den meget tilgængelig, da chipproducenter allerede anvender lignende teknikker i stor skala.
Andre OPTIMA-tildelinger, såsom UCLA og Georgia Tech, bruger også analoge teknikker til at miniaturisere AI-chips. UCLA anvender en bredt tilgængelig transistor kaldet 22FDX. Ved at kontrollere variationer i dens tærskelværdi kan holdet kode data mere kompakt. De reducerer risikoen for spændingsfejl ved hjælp af en kalibreringsteknik kaldet “write-verify-write” for at sikre dataens pålidelighed. På samme måde udnytter Georgia Tech transistorer til at integrere afgørende beregninger i deres miniaturiserede AI-chips.
Disse banebrydende fremskridt inden for miniaturisering af AI-chips giver et glimt ind i fremtiden for AI-teknologi. Ved at optimere beregningskraften i en kompakt form vil disse innovationer udvide AI-kapaciteterne til udfordrende miljøer og revolutionere industrier som militære operationer, sundhedssektoren, autonome køretøjer og mere.
Ofte stillede spørgsmål
Hvad er OPTIMA-programmet?
OPTIMA-programmet, lanceret af DARPA, sigter mod at udvikle kompakt AI-teknologi ved at integrere processoren i hukommelsen, hvilket eliminerer behovet for hyppige dataoverførsler.
Hvad er In-Memory Computing (IMC)?
In-Memory Computing (IMC) indebærer at placere processoren inde i hukommelsen, hvilket tillader data at “gå på arbejde” og undgår flaskehalsen forårsaget af konstante dataoverførsler.
Hvad er udfordringerne ved miniaturisering af AI-chips?
De primære udfordringer ved miniaturisering af AI-chips inkluderer størrelse, vægt, energi- og kølebegrænsninger. Derudover er det væsentligt at sikre dataens pålidelighed og reducere energiforbruget.
Hvad er nogle innovative løsninger til miniaturisering af AI-chips?
Forskere og ingeniører udforsker forskellige analoge teknikker, såsom at bruge kondensatorer eller transistorer, til at transmittere signaler mere effektivt og kompakt. Disse løsninger tilbyder større energieffektivitet og forbedret dataens pålidelighed.
Hvordan vil miniaturiserede AI-chips revolutionere industrierne?
Ved at optimere beregningskraften i en kompakt form vil miniaturiserede AI-chips udvide AI-kapaciteterne til udfordrende miljøer og revolutionere industrier såsom militære operationer, sundhedssektoren, autonome køretøjer og mere.
Kilde:
– Advanced Computing Systems Association (ACM): ACM
The source of the article is from the blog mendozaextremo.com.ar