Несомненно, искусственный интеллект и машинное обучение оказали и будут продолжать оказывать значительное влияние на периферийные и централизованные электронные системы, затрагивая электронную промышленность, здравоохранение, жилищное строительство и т. д.

Однако интеллект имеет свою цену. Хотя ИИ доказал свою эффективность в повышении энергоэффективности в таких областях, как электродвигатели, многие другие его применения приводят к увеличению энергопотребления, что негативно сказывается на целях устойчивого развития.

В связи с этим, что можно сделать, чтобы обеспечить использование преимуществ ИИ и машинного обучения на периферии без ущерба для глобальных целей устойчивого развития?

Две стороны искусственного интеллекта в потреблении энергии.
В некоторых областях ИИ получил высокую оценку за свою способность оптимизировать процессы и сокращать количество отходов. Например, алгоритмы ИИ, внедренные на периферии сети, помогли улучшить технологии «умных зданий», повысив энергоэффективность за счет динамического регулирования отопления, освещения и кондиционирования воздуха на основе данных о занятости помещений в режиме реального времени.

Аналогичным образом, автономным транспортным средствам потребуется интегрировать ИИ и модели ИИ для интерпретации и навигации по дорогам с интенсивным движением, поскольку они будут включать анализ данных в реальном времени из таких источников обнаружения, как датчики изображения (рис. 1). Однако ИИ и модели ИИ потребляют энергию, и эксперты автомобильной отрасли подсчитали, что автономные электромобили 4-го уровня будут тратить около 46% своей энергии на управление электроникой и моделями ИИ. 2


Рисунок 1: Автономные транспортные средства должны оценивать широкий спектр переменных для безопасной работы (источник: adobe stock/scharfsinn86).

Хотя влияние периферийного ИИ на энергопотребление может быть полезным, влияние централизованного ИИ почти всегда пагубно. Крупные центры обработки данных, которые обеспечивают работу генеративного ИИ и обучают модели периферийного ИИ, могут повысить эффективность работы в реальном мире, но их энергопотребление значительно (по оценкам, только обучение Chat GPT-3 потребило 1287 МВт·ч электроэнергии).

Задача очевидна: ИИ способствует более эффективному управлению энергией и ресурсами, но алгоритмы ИИ также потребляют энергию, причем спрос на нее растет из-за сложности их реализации.

Разработка энергоэффективных решений на основе ИИ.
В общих чертах, снижение воздействия ИИ может быть достигнуто одним из трех способов. Первый — оптимизация аппаратного обеспечения, включая вспомогательные компоненты, такие как источники питания и ускорители ИИ (например, специализированные интегральные схемы и графические процессоры). Повышение эффективности этих основных аппаратных компонентов повышает эффективность вычислений ИИ, которые охватывают операционные процессы или задачи, такие как обучение и вывод результатов нейронных сетей.

В качестве альтернативы, по мере развития нашего понимания ИИ, инженеры также смогут найти способы значительно снизить энергопотребление сложных моделей ИИ. Такие методы, как очистка модели (удаление избыточных частей нейронной сети) и квантизация (снижение точности параметров модели ИИ), могут значительно уменьшить энергопотребление при обучении и выводе результатов. Эта тенденция особенно важна, учитывая, что все больше компаний выбирают масштабирование решений ИИ как для промышленного, так и для потребительского применения, что делает централизованное обучение фундаментальной частью разработки продуктов.

Наконец, интеграция возобновляемых источников энергии в наиболее энергоемкие приложения искусственного интеллекта становится привлекательным решением для снижения потребности в необходимых вычислительных технологиях.

Подбор идеальных компонентов:
Правильный выбор компонентов имеет решающее значение для инженеров, стремящихся вывести на рынок решения, обеспечивающие тонкий баланс между технологическим прогрессом и энергоэффективностью.

С этой целью компания Mouser Electronics предлагает широкий выбор решений от ведущих мировых производителей, а также ресурсы , призванные помочь инженерам совершенствовать свои знания и навыки. Эти решения охватывают как периферийные, так и основные аспекты искусственного интеллекта и направлены на снижение энергопотребления, оптимизацию эффективности оборудования и обеспечение возможности использования возобновляемых источников энергии.

В ассортименте Mouser представлены источники питания, использующие новейшие широкополосные полупроводниковые технологии, что позволяет более эффективно развертывать централизованные системы искусственного интеллекта. Линейка продуктов Infineon Technologies для центров обработки данных включает активные выпрямители, преобразователи постоянного тока и инверторные фазовые устройства с номинальной мощностью от 5 до 60 кВт.

Некоторые из этих решений основаны на передовых технологиях Infineon CoolSiC™ Hybrid и CoolSiC™ MOSFET. В отличие от традиционных кремниевых MOSFET-модулей, корпуса, полностью или частично изготовленные из карбида кремния, выдерживают более высокие температуры и напряжения, одновременно снижая потери мощности. В дополнение к своим силовым компонентам Infineon предлагает цифровые контроллеры мощности XDP™ , обеспечивающие точное цифровое управление преобразованием энергии.

Серия XDP идеально подходит для новейших энергоэффективных 48-вольтовых серверных архитектур. Благодаря оптимизации преобразования постоянного тока, контроллеры XDP™ достигают КПД до 97%, удовлетворяя требованиям рабочих нагрузок искусственного интеллекта и обеспечивая рекуперацию энергии. Благодаря интуитивно понятному графическому пользовательскому интерфейсу, упрощающему настройку и мониторинг, и сложным алгоритмам цифрового управления, контроллеры XDP обеспечивают быструю разработку и эффективную работу интеллектуальных источников питания для телекоммуникационной инфраструктуры, материнских плат серверов, приложений Индустрии 4.0 и других высокопроизводительных 48-вольтовых систем.

Переходя на основные силовые компоненты из карбида кремния и используя передовые контроллеры и 48-вольтовые архитектуры, инженеры помогают создавать серверы для искусственного интеллекта, обеспечивающие высокопроизводительные вычисления при одновременном снижении энергопотребления и эксплуатационных расходов.

В каталоге Mouser также представлены компоненты, разработанные для того, чтобы помочь инженерам создавать энергоэффективные решения для периферийных вычислений с использованием ИИ. Интегральные схемы управления питанием (PMIC), такие как PMIC NEH2000BYJ (рис. 2), предназначены для извлечения энергии из фотоэлектрических элементов, что позволяет распределенным узлам IoT питаться от солнечной энергии.


Рисунок 2: Микросхемы управления питанием (PMIC), такие как NEH2000BY, позволяют питать периферийные устройства от возобновляемых источников энергии (источник: Mouser Electronics).

Микросхемы управления питанием от солнечной энергии, такие как NEH2000BYJ, являются лишь одним элементом более широкой стратегии по разработке энергоэффективных периферийных устройств искусственного интеллекта. Инженеры должны оптимизировать модели ИИ для снижения энергопотребления, чтобы продлить срок службы батарей в системах без стационарных источников питания, таких как промышленные сенсорные узлы или интеллектуальные мониторы качества воздуха в городах.

Инструмент оптимизации энергопотребления Otii Arc Pro предназначен для сбора данных об энергопотреблении небольших электронных устройств, таких как узлы IoT, а также отдельных компонентов, например, микроконтроллеров и датчиков, обеспечивая анализ в реальном времени в течение длительных периодов времени. Для разработки узлов точные измерения тока, предоставляемые инструментом, — наряду с совместимым Otii Pro Battery Toolbox и Otii Pro Automation Toolbox— позволяют инженерам количественно оценить энергопотребление операций на основе ИИ, что способствует созданию более энергоэффективных моделей.

Заключение:
Развитие ИИ открывает захватывающие возможности, но также ставит перед инженерами серьезные задачи. Расширение сферы применения ИИ делает необходимым поиск устойчивого пути как для периферийных, так и для централизованных развертываний. Однако благодаря инновациям в повышении эффективности оборудования, передовым методам оптимизации моделей и внедрению возобновляемых источников энергии, ИИ может развиваться без чрезмерной нагрузки на электросети. Для инженеров крайне важно найти и интегрировать подходящие компоненты, такие как предлагаемые Mouser, для разработки централизованных и периферийных систем ИИ, обеспечивающих баланс между производительностью и энергоэффективностью.

Марк Патрик, директор по техническому контенту в регионе EMEA, Mouser Electronics

Оценки:

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/