Peningkatan 600%: Ilmuwan Kembangkan Chip AI yang Mengubah Permainan dengan Efisiensi Energi yang Mengagumkan
Sieun Chae dari Oregon State College telah memelopori chip AI baru yang meningkatkan efisiensi energi hingga enam kali lipat menggunakan sistem materials baru. Terobosan ini bertujuan untuk mengurangi konsumsi energi AI yang besar dengan meniru metode pemrosesan terintegrasi jaringan saraf biologis. Kredit: SciTechDaily.com
Chip AI baru berpotensi meningkatkan efisiensi energi hingga enam kali lipat, menyelaraskan komputasi dan penyimpanan knowledge dengan cara yang mirip dengan jaringan saraf biologis dan secara signifikan mengurangi jejak listrik AI.
Seorang peneliti dari School of Engineering di Oregon State College telah berkontribusi pada pengembangan sebuah metode baru kecerdasan buatan chip yang menawarkan peningkatan efisiensi energi enam kali lipat dibandingkan standar industri saat ini.
Seiring dengan meningkatnya penggunaan kecerdasan buatan, jumlah energi yang dibutuhkannya pun meningkat. Proyeksi menunjukkan kecerdasan buatan akan menghabiskan setengah persen dari konsumsi energi international pada tahun 2027 – yang menghabiskan energi sebanyak seluruh negara Belanda setiap tahunnya.
Sieun Chae, asisten profesor teknik elektro dan ilmu komputer, tengah berupaya membantu mengurangi jejak listrik teknologi tersebut. Ia tengah meneliti chip, yang didasarkan pada platform materials baru, yang memungkinkan komputasi dan penyimpanan knowledge, meniru cara jaringan saraf biologis menangani penyimpanan dan pemrosesan informasi.
Temuan penelitiannya baru-baru ini diterbitkan dalam jurnal Elektronik Alam.
Pemrosesan AI yang Efisien
“Dengan munculnya AI, komputer dipaksa untuk memproses dan menyimpan knowledge dalam jumlah besar dengan cepat,” kata Chae. “Chip AI dirancang untuk menghitung tugas dalam memori, yang meminimalkan perpindahan knowledge antara memori dan prosesor; dengan demikian, chip tersebut dapat menjalankan tugas AI dengan lebih hemat energi.”
Chip tersebut memiliki komponen yang disebut memristor – kependekan dari reminiscence resistors. Sebagian besar memristor terbuat dari sistem materials sederhana yang terdiri dari dua elemen, tetapi yang ada dalam penelitian ini memiliki sistem materials baru yang dikenal sebagai entropy-stabilized oxides (ESOs). Lebih dari setengah lusin elemen menyusun ESO, yang memungkinkan kemampuan memorinya disetel dengan baik.
Memristor mirip dengan jaringan saraf biologis karena keduanya tidak memiliki sumber memori eksternal – sehingga tidak ada energi yang hilang untuk memindahkan knowledge dari dalam ke luar dan kembali. Dengan mengoptimalkan Bahasa Inggris komposisi yang bekerja paling baik untuk pekerjaan AI tertentu, chip berbasis ESO dapat melakukan tugas dengan energi yang jauh lebih sedikit daripada unit pemrosesan pusat komputer, kata Chae.
Hasil lainnya adalah bahwa jaringan saraf buatan akan mampu memproses informasi yang bergantung waktu, seperti knowledge audio dan video, berkat penyetelan komposisi ESO sehingga perangkat dapat bekerja dalam skala waktu yang bervariasi.
Referensi: “Pemrosesan knowledge efisien menggunakan memristor oksida yang distabilkan entropi yang dapat disetel” oleh 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 dan Wei D. Lu, 20 Mei 2024, Elektronik Alam.
Nomor Induk Kependudukan: 10.1038/s41928-024-01169-1
Didanai oleh Nationwide Science Basis, penelitian ini dipimpin oleh para peneliti di Universitas Michigan; Chae berpartisipasi sebagai mahasiswa doktoral di Michigan sebelum bergabung dengan fakultas di Oregon State.
Kolaborasi ini juga melibatkan peneliti dari Universitas Oklahoma, Universitas Cornell, dan Universitas Negeri Pennsylvania.
