Los científicos desarrollan un chip de IA innovador con una impresionante eficiencia energética

Sieun Chae, de la Universidad Estatal de Oregón, fue pionera en un nuevo chip de inteligencia artificial que mejora seis veces la eficiencia energética utilizando un nuevo sistema de materiales. Este avance tiene como objetivo reducir el consumo de energía de la IA imitando los métodos de procesamiento integrado de las redes neuronales biológicas. Crédito: SciTechDaily.com

Un nuevo chip de IA podría potencialmente sextuplicar la eficiencia energética, alinear la computación y el almacenamiento de datos de una manera similar a las redes neuronales biológicas y reducir significativamente la huella eléctrica de la IA.

Un investigador de la Facultad de Ingeniería de la Universidad Estatal de Oregón ha contribuido al desarrollo de un nuevo inteligencia artificial un chip que cuenta con una mejora seis veces mayor en eficiencia energética en comparación con el estándar actual de la industria.

A medida que aumenta el uso de la inteligencia artificial, también aumenta la cantidad de energía que requiere. Las proyecciones muestran que la inteligencia artificial representará el medio por ciento del consumo mundial de energía para 2027, utilizando tanta energía anualmente como todo el país de los Países Bajos.

Sieun Chae, profesora asistente de ingeniería eléctrica e informática, está trabajando para ayudar a reducir la huella eléctrica de esta tecnología. Ella está investigando chips, basados ​​en una nueva plataforma material, que permite tanto la computación como el almacenamiento de datos, imitando la forma en que las redes neuronales biológicas gestionan el almacenamiento y el procesamiento de la información.

Los hallazgos de su investigación fueron publicados recientemente en Naturaleza electrónica.

Procesamiento eficiente de IA

«Con la aparición de la IA, las computadoras se ven obligadas a procesar y almacenar rápidamente grandes cantidades de datos», dijo Chae. “Los chips de IA están diseñados para calcular tareas en la memoria, minimizando la transferencia de datos entre la memoria y el procesador; por lo tanto, pueden realizar tareas de IA de una manera más eficiente desde el punto de vista energético”.

Los chips tienen componentes llamados memristores, abreviatura de resistencias de memoria. La mayoría de los memristores están hechos de un sistema material simple de dos elementos, pero los de este estudio tienen un nuevo sistema material conocido como óxidos estabilizados por entropía o ESO. Más de media docena de elementos componen los ESO, lo que permite afinar sus capacidades de memoria.

Los memristores son similares a las redes neuronales biológicas en que ninguna de ellas tiene una fuente de memoria externa, por lo que no se desperdicia energía moviendo datos desde el interior hacia el exterior y viceversa. Al optimizar el ESO Con una composición que funciona mejor para trabajos específicos de IA, los chips basados ​​en ESO pueden realizar tareas con mucha menos energía que la unidad central de procesamiento de la computadora, dijo Chae.

Otro resultado es que las redes neuronales artificiales podrán procesar información dependiente del tiempo, como datos de audio y vídeo, gracias al ajuste de la composición de los ESO para que el dispositivo pueda funcionar en una escala de tiempo variada.

Referencia: «Procesamiento eficiente de datos utilizando memristores de óxido estabilizados con entropía sintonizable» por Sangmin Yoo, Sieun Chae, Tony Chiang, Matthew Webb, Tao Ma, Hanjong Paik, Yongmo Park, Logan Williams, Kazuki Nomoto, Huili G. Xing, Susan Trolier-McKinstry , Emmanouil Kioupakis, John T. Heron y Wei D. Lu, 20 de mayo de 2024, Naturaleza electrónica.
DOI: 10.1038/s41928-024-01169-1

Financiado por la Fundación Nacional de Ciencias, el estudio fue dirigido por investigadores de la Universidad de Michigan; Chae participó como estudiante de doctorado en Michigan antes de unirse a la facultad del estado de Oregon.

La colaboración también incluyó investigadores de la Universidad de Oklahoma, la Universidad de Cornell y la Universidad Estatal de Pensilvania.