L'IA et l'apprentissage automatique ont indéniablement eu et continueront d'avoir un impact majeur sur les installations électroniques périphériques et centralisées, affectant le secteur de l'électronique, la santé, les habitations, etc.

Mais l'intelligence a un prix. Si l'IA s'est avérée bénéfique pour améliorer l'efficacité énergétique dans des domaines tels que les moteurs électriques, de nombreuses autres applications entraînent une augmentation de la consommation d'énergie, ce qui nuit aux objectifs de développement durable.

À cet égard, que peut-on faire pour garantir que l'IA et l'apprentissage automatique en périphérie offrent leurs avantages sans compromettre les objectifs de développement durable mondiaux ?

L'IA et la consommation d'énergie : deux facettes.
Dans certains domaines, l'IA et les systèmes d'intelligence artificielle ont été salués pour leur capacité à rationaliser les processus et à réduire le gaspillage. Par exemple, les algorithmes d'IA déployés en périphérie de réseau ont contribué à améliorer les technologies des bâtiments intelligents, en augmentant l'efficacité énergétique grâce à la régulation dynamique du chauffage, de l'éclairage et de la climatisation en fonction des données d'occupation en temps réel.

De même, les véhicules autonomes devront intégrer l'IA et des modèles d'IA pour interpréter et circuler sur les routes encombrées, grâce à l'analyse en temps réel des données provenant de sources de détection telles que les capteurs d'image (Figure 1). Cependant, l'IA et les modèles d'IA consomment de l'énergie, et les experts automobiles estiment que les véhicules électriques autonomes de niveau 4 consacreront environ 46 % de leur puissance au contrôle de l'électronique et des modèles d'IA. 2


Figure 1 : Les véhicules autonomes doivent évaluer un large éventail de variables pour fonctionner en toute sécurité (source : adobe stock/scharfsinn86).

Si l'impact de l'IA en périphérie sur la consommation d'énergie peut être bénéfique, celui de l'IA centralisée est presque toujours néfaste. Les grands centres de données qui alimentent l'IA générative et entraînent les modèles d'IA en périphérie peuvent certes améliorer l'efficacité opérationnelle, mais leur consommation d'énergie est considérable (on estime que l'entraînement de Chat GPT-3 a consommé à lui seul 1 287 MWh d'électricité).

Le défi est clair : l'IA facilite une gestion plus intelligente de l'énergie et des ressources, mais les algorithmes d'IA consomment également de l'énergie, et la demande augmente en raison de la sophistication de leur mise en œuvre.

Développement de solutions d'IA écoénergétiques.
De manière générale, la réduction de l'impact de l'IA peut être obtenue grâce à trois approches. La première consiste à optimiser le matériel, notamment les composants de support tels que les alimentations et les accélérateurs d'IA (par exemple, les circuits intégrés spécifiques à l'application et les processeurs graphiques). Améliorer l'efficacité de ces composants matériels essentiels accroît l'efficacité du calcul de l'IA, qui englobe les processus opérationnels ou les tâches telles que l'entraînement et l'inférence des réseaux neuronaux.

Par ailleurs, à mesure que notre compréhension de l'IA progresse, les ingénieurs pourront également trouver des moyens de réduire considérablement la consommation énergétique des modèles d'IA complexes. Des techniques telles que le nettoyage de modèles (qui consiste à supprimer les parties redondantes d'un réseau neuronal) et la quantification (qui réduit la précision des paramètres d'un modèle d'IA) peuvent diminuer significativement la consommation d'énergie liée à l'entraînement et à l'inférence. Cette tendance est d'autant plus importante que de plus en plus d'entreprises optent pour des solutions d'IA à grande échelle, adaptées aux applications industrielles et grand public, faisant de l'entraînement centralisé un élément fondamental du développement de produits.

Enfin, l'intégration des sources d'énergie renouvelables dans les applications d'IA les plus énergivores apparaît comme une solution intéressante pour réduire la demande en technologies de traitement nécessaires.

Trouver les composants idéaux :
le choix des bons composants est essentiel pour les ingénieurs qui cherchent à commercialiser des solutions atteignant le juste équilibre entre progrès technologique et efficacité énergétique.

À cette fin, Mouser Electronics propose une vaste sélection de solutions issues des plus grands fabricants mondiaux, ainsi que des ressources destinées à aider les ingénieurs à perfectionner leurs connaissances et leurs compétences. Ces solutions couvrent l'IA en périphérie et au cœur du système et visent à réduire la consommation d'énergie, à optimiser l'efficacité du matériel et à permettre l'utilisation de sources d'énergie renouvelables.

L'offre de Mouser comprend des alimentations exploitant la technologie des semi-conducteurs à large bande la plus récente, permettant un déploiement plus efficace de l'IA centralisée. La gamme de produits pour centres de données inclut des redresseurs actifs en entrée, des convertisseurs CC-CC et des produits à onduleur de phase prenant en charge des puissances de 5 à 60 kW.

Plusieurs de ces solutions reposent sur les technologies de pointe CoolSiC™ Hybrid et CoolSiC™ MOSFET d'Infineon. Contrairement aux modules MOSFET en silicium traditionnels, les boîtiers entièrement ou partiellement composés de carbure de silicium supportent des températures et des tensions plus élevées tout en réduisant les pertes de puissance. En complément de ses composants de puissance, Infineon propose les contrôleurs de puissance numériques XDP™ qui assurent un contrôle numérique précis de la conversion de puissance.

La gamme XDP est idéale pour les architectures de serveurs 48 V à haute efficacité énergétique de dernière génération. Grâce à l'optimisation de la conversion CC-CC, les contrôleurs XDP™ atteignent un rendement jusqu'à 97 %, répondant ainsi aux exigences des charges de travail d'IA et favorisant la récupération d'énergie. Dotés d'une interface utilisateur graphique intuitive qui simplifie la configuration et la surveillance, et d'algorithmes de contrôle numérique sophistiqués, les contrôleurs XDP garantissent un développement rapide et des performances optimales pour les alimentations intelligentes destinées aux infrastructures de télécommunications, aux cartes mères de serveurs, aux applications de l'Industrie 4.0 et autres systèmes 48 V haut de gamme.

En optant pour des composants d'alimentation principaux en carbure de silicium et en adoptant des contrôleurs avancés et des architectures 48 V, les ingénieurs contribuent à créer des serveurs d'IA capables de fournir un calcul haute performance tout en réduisant la consommation d'énergie et les coûts d'exploitation.

Le catalogue de Mouser propose également des composants conçus pour aider les ingénieurs à créer des implémentations d'IA embarquées à faible consommation. Les circuits intégrés de gestion de l'énergie (PMIC), tels que le PMIC de récupération d'énergie NEH2000BYJ (Figure 2), sont conçus pour extraire l'énergie des cellules photovoltaïques, permettant ainsi d'alimenter les nœuds IoT distribués grâce à l'énergie solaire.


Figure 2 : Les PMIC, tels que le NEH2000BY, peuvent permettre aux périphériques d'être alimentés par des sources renouvelables (source : Mouser Electronics).

Les circuits intégrés de gestion de l'alimentation (PMIC) alimentés à l'énergie solaire, comme le NEH2000BYJ, ne constituent qu'un élément d'une stratégie plus vaste visant à développer des dispositifs d'IA embarqués à faible consommation énergétique. Les ingénieurs doivent optimiser les modèles d'IA afin de réduire la consommation d'énergie et ainsi prolonger l'autonomie des batteries dans les déploiements sans source d'alimentation fixe, tels que les nœuds de détection industriels ou les capteurs intelligents de qualité de l'air en milieu urbain.

L'outil d'optimisation énergétique Otii Arc Pro est conçu pour analyser le profil énergétique de petits dispositifs électroniques, tels que les nœuds IoT, ainsi que de composants individuels comme les microcontrôleurs et les capteurs, en fournissant une analyse en temps réel sur de longues périodes. Pour le développement de nœuds, les mesures de courant précises de l'outil, associées aux logiciels compatibles Otii Pro Battery Toolbox et Otii Pro Automation Toolbox, permettent aux ingénieurs de quantifier la consommation d'énergie des opérations basées sur l'IA afin de concevoir des modèles plus économes en énergie.

Conclusion :
L’essor de l’IA offre des perspectives passionnantes, mais soulève également d’importants défis d’ingénierie. Son développement rend indispensable la recherche d’une approche durable pour les déploiements en périphérie et centralisés. Toutefois, grâce aux innovations en matière d’efficacité matérielle, aux techniques avancées d’optimisation des modèles et à l’adoption des énergies renouvelables, l’IA peut progresser sans surcharger les réseaux électriques. Il est donc crucial pour les ingénieurs de trouver et d’intégrer les composants adéquats, tels que ceux proposés par Mouser, afin de développer des systèmes d’IA centralisés et en périphérie qui concilient performance et responsabilité énergétique.

Mark Patrick, directeur du contenu technique, EMEA, Mouser Electronics

Notes :

1. https://www.bloomberg.com/news/newsletters/2024-02-27/autonomous-electric-vehicles-will-guzzle-power-instead-of-gas

2. https://news.climate.columbia.edu/2023/06/09/ais-growing-carbon-footprint/