AI ar putea revoluționa lumea, însă cerințele sale de energie creează o provocare serioasă. (Sursa: adobe.stock/ Yingyaipumi)
Inteligența artificială (AI) are potențialul de a transforma modul în care funcționează întreaga societate, dar beneficiile sale nu trebuie să compromită obiectivele globale de sustenabilitate.
Inteligența artificială (AI) promite să revoluționeze lumea în care trăim, însă cerințele sale energetice generează provocări serioase. Prin adăugarea unor capabilități de inteligență, aplicațiile electronice simple, bazate pe procese standard, pot fi transformate în sisteme sofisticate, capabile de recunoaștere a imaginilor, luare de decizii complexe și adaptare în timp real.
Fără îndoială, AI și învățarea automată (ML – Machine Learning) au deja un impact semnificativ asupra soluțiilor electronice, atât la nivelul sistemelor de calcul centralizate, cât și la marginea rețelei (edge). Aceste tehnologii influențează domenii precum industria electronică, asistența medicală, locuințele inteligente și multe altele.
Totuși, inteligența vine cu un preț. Dacă în anumite domenii – cum ar fi controlul motoarelor electrice – AI contribuie la îmbunătățirea eficienței energetice, în altele, creșterea cerințelor de procesare și stocare de date determină un consum mai mare de energie, afectând negativ eforturile globale de sustenabilitate.
Așadar, cum putem asigura că AI și ML, în special cele implementate la marginea rețelei, își aduc beneficiile fără a compromite atingerea obiectivelor de mediu?
Cele două fațete ale AI în ceea ce privește consumul de energie
În anumite domenii, AI și învățarea automată (ML) au fost lăudate pentru capacitatea lor de a eficientiza procesele și de a reduce risipa. De exemplu, algoritmii ML implementați la marginea rețelei (edge) contribuie la optimizarea tehnologiilor pentru clădiri inteligente, prin reglarea dinamică a sistemelor de încălzire, iluminat și climatizare, în funcție de datele în timp real privind gradul de ocupare.
Figura 1: Vehiculele autonome trebuie să evalueze un număr mare de variabile pentru a funcționa în siguranță. (Sursa: adobe stock/scharfsinn86)
În domeniul vehiculelor autonome, modelele AI și ML sunt esențiale pentru a permite navigarea în siguranță în trafic complex, prin analiza rapidă a datelor provenite de la senzori de percepție – cum ar fi camerele video (figura 1). Totuși, aceste modele presupun un consum semnificativ de energie: experții estimează că, în cazul vehiculelor electrice autonome de nivel 4, aproximativ 46% din consumul energetic va fi alocat electronicii de control și proceselor AI.[1]
Dacă impactul AI la marginea rețelei poate aduce beneficii în ceea ce privește eficiența energetică, AI-ul implementat centralizat generează adesea un consum ridicat. Centrele de date care susțin procesele de inteligență artificială generativă – o ramură a AI specializată în generarea de conținut nou, cum ar fi texte, imagini sau cod – și în antrenarea modelelor avansate pot îmbunătăți performanța sistemelor în lumea reală, însă consumul de energie este uriaș. De exemplu, doar antrenarea modelului GPT-3 a necesitat aproximativ 1287 MWh de energie electrică.[2]
Așadar, provocarea este clară: deși AI permite un management mai inteligent al energiei și al resurselor, algoritmii necesită la rândul lor energie, iar complexitatea implementării contribuie direct la creșterea consumului.
Dezvoltarea de soluții AI eficiente din punct de vedere energetic
Reducerea impactului energetic al inteligenței artificiale poate fi abordată, în linii mari, în trei moduri. Prima direcție vizează perfecționarea hardware-ului – nu doar a acceleratoarelor AI, precum circuitele integrate specifice aplicațiilor (ASIC) și unitățile de procesare grafică (GPU), ci și a componentelor auxiliare, cum ar fi sursele de alimentare. Optimizarea acestor elemente esențiale poate crește semnificativ eficiența energetică a calculelor AI, fie că este vorba de procese operaționale, fie de sarcini precum antrenarea rețelelor neurale și inferența.
O a doua direcție se bazează pe optimizarea arhitecturii algoritmilor. Pe măsură ce înțelegerea mecanismelor AI avansează, inginerii găsesc metode din ce în ce mai eficiente pentru a reduce energia necesară modelelor complexe. Tehnici precum pruning – eliminarea părților redundante dintr-o rețea neurală – sau quantizare – reducerea preciziei numerice a parametrilor modelului – permit scăderea cerințelor de memorie și accelerează procesarea. Aceste abordări devin esențiale, mai ales în contextul adoptării pe scară largă a soluțiilor AI, atât în aplicații industriale, cât și pentru consumatori.
A treia direcție, de integrare a surselor regenerabile de energie în aplicațiile AI cu consum ridicat, reprezintă o soluție viabilă pentru atenuarea impactului energetic al procesării avansate.
Achiziționarea componentelor potrivite
Selectarea componentelor adecvate este esențială pentru inginerii care urmăresc să atingă un echilibru delicat între progresul tehnologic și eficiența energetică.
Pentru a sprijini acest obiectiv, Mouser Electronics pune la dispoziție o gamă variată de soluții de la unii dintre cei mai importanți producători globali de echipamente electronice, alături de resurse educaționale care permit inginerilor să-și aprofundeze cunoștințele și competențele. Aceste soluții vizează atât AI-ul periferic, cât și pe cel centralizat, având ca scop reducerea consumului de energie, optimizarea performanței hardware și integrarea surselor regenerabile.
Produse în oferta Mouser
• Infineon Technologie
În oferta Mouser sunt incluse surse de alimentare care utilizează cea mai recentă tehnologie de semiconductori cu bandă interzisă largă, permițând crearea unor implementări AI centralizate mai eficiente. Gama de produse pentru centre de date de la Infineon Technologies include dispozitive de redresare activă (Active Front-End rectifiers), convertoare DC/DC și produse pentru invertoare, acoperind un interval de putere între 5 kW și 60 kW.
Multe dintre aceste componente se bazează pe tehnologiile avansate CoolSiC™ Hybrid și CoolSiC™ MOSFET de la Infineon. În comparație cu MOSFET-urile tradiționale din siliciu, versiunile pe bază de carbură de siliciu (SiC) sau hibride SiC oferă randamente mai ridicate, rezistență la temperaturi mai mari și suport pentru tensiuni înalte, în timp ce pierderile de putere sunt reduse. În plus, Infineon completează aceste componente cu controlerele digitale de putere XDP™, care permit o conversie eficientă și precisă a energiei.
Controlerele XDP™ sunt ideale pentru noile arhitecturi de servere pe 48V, recunoscute pentru eficiența energetică superioară. Prin optimizarea conversiei DC-DC, aceste controlere pot atinge o eficiență de până la 97%, satisfăcând cerințele de putere pentru sarcinile AI și reducând risipa de energie. Interfața grafică intuitivă și algoritmii avansați de control digital permit o configurare simplificată și o dezvoltare rapidă în aplicații precum: surse de alimentare inteligente, plăci de bază pentru servere, soluții industriale 4.0 și alte sisteme moderne pe 48V.
Adoptarea tehnologiilor SiC în componentele de putere esențiale, împreună cu implementarea unor controlere inteligente și a arhitecturilor de 48V, permite proiectarea de servere AI cu performanță ridicată și consum energetic redus.
Figura 2: PMIC-uri precum NEH2000BY permit alimentarea dispozitivelor edge din surse regenerabile. (Sursa: Mouser Electronics)
• Nexperia
Portofoliul Mouser include și soluții special create pentru AI cu consum scăzut de putere. De exemplu, circuitul integrat inteligent NEH2000BYJ de la Nexperia este un PMIC (Power Management IC) pentru captarea energiei, destinat extragerii energiei din celule fotovoltaice, permițând alimentarea nodurilor IoT distribuite din surse solare.
NEH2000BYJ și alte PMIC-uri similare susțin misiunea de a dezvolta aplicații AI eficiente energetic la marginea rețelei. În paralel, optimizarea modelelor AI devine esențială pentru a prelungi durata de viață a bateriilor în aplicații fără sursă fixă de alimentare – cum ar fi senzorii industriali sau dispozitivele urbane pentru monitorizarea calității aerului.
• Qoitech
Pentru analiza consumului, instrumentul Otii Arc Pro de la Qoitech captează profilul energetic al dispozitivelor electronice mici, de la noduri IoT la microcontrolere și senzori. Cu ajutorul aplicațiilor software dedicate, Otii Pro Battery Toolbox și Otii Pro Automation Toolbox, inginerii pot măsura exact consumul energetic al proceselor AI, facilitând dezvoltarea de modele optimizate din punct de vedere al consumului.
Concluzie
Ascensiunea AI reprezintă atât o oportunitate remarcabilă, cât și o provocare inginerească majoră. Pe măsură ce inteligența artificială se extinde, devine esențial să găsim o cale sustenabilă – atât pentru implementările periferice, cât și pentru cele centralizate. Prin inovații în eficiența hardware-ului, tehnici avansate de optimizare a modelelor și adoptarea surselor de energie regenerabilă, AI poate evolua fără a pune presiune excesivă pe rețelele electrice. Pentru ingineri, selecția și integrarea componentelor potrivite – precum cele oferite de Mouser – sunt esențiale în dezvoltarea de sisteme AI performante și eficiente din punct de vedere energetic.
Autor:
Mark Patrick
Mouser Electronics
Authorised Distributor
www.mouser.com
Urmărește-ne pe Twitter
[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/
Glosar de termeni
AI generativă: Ramură a AI capabilă să creeze conținut original (text, imagini, cod etc.) pe baza unor seturi mari de date și a unor modele pre-antrenate.
ML – Învățare automată (Machine Learning): Subdomeniu al AI care utilizează algoritmi pentru a învăța din date și a face predicții sau decizii fără a fi programat explicit.
Edge AI (AI la margine): Execuția algoritmilor AI local, pe dispozitive fizice aflate în apropierea sursei de date (senzori, camere etc.), fără a necesita procesare în cloud.
Inferență: Etapa în care un model AI deja antrenat face predicții sau ia decizii pe baza unor noi date de intrare.
Pruning: Proces de eliminare a părților redundante dintr-o rețea neurală pentru a reduce complexitatea modelului și consumul energetic.
Quantizare (Quantization): Reducerea preciziei numerice a parametrilor modelului AI (ex. de la 32 biți la 8 biți), pentru a îmbunătăți eficiența de procesare.
Wide-bandgap semiconductors – Semiconductori cu bandă interzisă largă: Materiale (ex. SiC, GaN) utilizate pentru eficiență ridicată în aplicații de înaltă tensiune și temperatură.
PMIC – Circuit integrat pentru managementul energiei (Power Management IC): Circuit dedicat controlului distribuției energiei în dispozitive electronice.
Rectificatoare active de intrare (Active Front-End rectifiers): Dispozitive electronice care convertesc curent alternativ în curent continuu, controlând în același timp factorul de putere și reducând armonicile – esențiale în aplicații industriale și centre de date.
CoolSiC™: Familie de produse Infineon bazate pe carbură de siliciu (SiC), cu eficiență crescută și pierderi reduse de putere.
XDP™ Digital Power Controllers: Controlere digitale de putere de la Infineon, care optimizează conversia DC/DC în aplicații de servere și telecomunicații.