Az analóg in-memory computing kutatások hatalmas AI energiamegtakarítást ígérnek
Az in-memory analóg számítástechnikával kapcsolatos új kutatások szerint az AI oktatás energiafogyasztása akár ezerszeresére is csökkenthető. A számítások közvetlenül a memóriaegységeken belüli elvégzésével ez a módszer megkerüli az adatok processzorok és memória közötti mozgatásának energiaigényes folyamatát.
- Analóg számítástechnika alkalmazása a hagyományos digitális hardverekben található „von Neumann-szűk keresztmetszet” kiküszöbölésére.
- „Residual-learning” technika alkalmazása az analóg jelekkel általában együtt járó zajproblémák korrigálására.
- Hatékony skálázás esetén az AI oktatás energiafelhasználását potenciálisan az ezredrészére csökkentheti.
Miért fontos?
Ahogy a nagyméretű AI modellek energiaigénye globális aggalommá válik, a hatékonyabb analóg architektúrák felé való elmozdulás alapvető fontosságú lehet a számítástechnika következő generációja számára.
Kapcsolódó hírek
A Perplexity elérte az 500 millió dolláros bevételt hibrid lokális-felhő alapú AI számításokkal
2026. június 4.