Sådan gør du computere hurtigere og klimavenlige

Din smartphone er langt kraftigere end NASA-computere, der satte Neil Armstrong og Buzz Aldrin på månen i 1969, men det er også et energisvin. Inden for databehandling, energiforbrug betragtes ofte som et sekundært problem i forhold til hastighed og lagring, men med hastigheden og retningen af ​​teknologiske fremskridt, det bliver en voksende miljømæssig bekymring.

Da cryptocurrency-mineselskabet Hut 8 åbnede Canadas største bitcoin-mineprojekt uden for Medicine Hat, Alta., miljøforkæmpere slog alarm. Anlægget bruger 10 gange mere strøm, hovedsagelig produceret af et naturgasfyret kraftværk, end nogen anden facilitet i byen.

Globalt, drivhusgasemissioner (GHG) fra informationen, kommunikations- og teknologisektorer (IKT) forventes at nå det, der svarer til 1,4 gigatons (milliard tons) kuldioxid årligt i 2020. Det er 2,7 procent af de globale drivhusgasser og omtrent det dobbelte af Canadas samlede årlige drivhusgasproduktion.

Ved at designe energieffektive computerprocessorer kunne vi reducere energiforbruget, og vi kunne reducere drivhusgasemissionerne på steder, hvor elektriciteten kommer fra fossile brændstoffer. Som computeringeniør med speciale i computerarkitektur og aritmetik, mine kolleger og jeg er overbevist om, at disse positive effekter kan opnås næsten uden indflydelse på computerens ydeevne eller brugervenlighed.

Kraftige forbindelser

Internet of Things (IoT) — der består af de tilsluttede computerenheder, der er indlejret i hverdagsgenstande — leverer allerede positive økonomiske og sociale virkninger, transformere vores samfund, miljøet og vores fødevareforsyningskæder til det bedre.

Disse enheder overvåger og reducerer luftforurening, forbedre vandbesparelsen og fodre en sulten verden. De gør også vores hjem og virksomheder mere effektive, styring af termostater, belysning, vandvarmere, køleskabe og vaskemaskiner.

Med antallet af tilsluttede enheder sat til top 11 milliarder — ikke inklusive computere og telefoner — i 2018, IoT vil skabe big data, der kræver enorme beregninger.

At gøre beregninger mere energieffektive ville spare penge og reducere energiforbruget. Det ville også gøre det muligt for de batterier, der leverer strøm i computersystemer, at være mindre eller køre længere. Ud over, beregninger kunne køre hurtigere, så computersystemer ville generere mindre varme.

Omtrentlig beregning

Dagens computersystemer er designet til at levere præcise løsninger til høje energiomkostninger. Men mange fejlmodstandsdygtige algoritmer som billede, lyd- og videobehandling, data mining, sensordataanalyse og deep learning kræver ikke nøjagtige svar.

Denne unødvendige nøjagtighed og overdrevne energiforbrug er spild. Der er begrænsninger for menneskelig opfattelse - vi behøver ikke altid 100 procent nøjagtighed for at være tilfredse med resultatet. For eksempel, mindre ændringer i kvaliteten af ​​billeder og videoer går ofte ubemærket hen.

Computersystemer kan udnytte disse begrænsninger til at reducere energiforbruget uden at have en negativ indvirkning på brugeroplevelsen. "Approximate computing" er en beregningsteknik, der nogle gange returnerer unøjagtige resultater, hvilket gør det nyttigt til applikationer, hvor et omtrentligt resultat er tilstrækkeligt.

På University of Saskatchewans computeringeniørlaboratorium, vi foreslår at designe og implementere disse omtrentlige computerløsninger, så de optimalt kan afveje nøjagtighed og effektivitet på tværs af software og hardware. Da vi anvendte disse løsninger på en kernecomputerkomponent i processoren, vi fandt ud af, at strømforbruget faldt med mere end 50 procent med næsten intet fald i ydeevnen.

Fleksibel præcision

I dag, de fleste personlige computere indeholder et 64-bit standard numerisk format. Det betyder, at de bruger et tal med 64 cifre (enten nul eller et) til at udføre alle beregningerne.

3D-grafik, virtual reality og augmented reality kræver, at 64-bit formatet fungerer. Men grundlæggende lyd- og billedbehandling kan udføres med et 32-bit format og stadig give tilfredsstillende resultater. I øvrigt, deep learning-applikationer kan endda bruge 16-bit eller 8-bit formater på grund af deres fejlmodstandsdygtighed

Jo kortere det numeriske format er, jo mindre energi bruges til at udføre beregningen. Vi kan designe fleksibelt, dog præcis, computerløsninger, der kører forskellige applikationer ved hjælp af det mest passende numeriske format, så det fremmer energieffektivitet.

For eksempel, en deep learning-applikation, der bruger denne fleksible computerløsning, kan reducere energiforbruget med 15 pct. ifølge vores foreløbige eksperiment. Ud over, de foreslåede løsninger kan omkonfigureres til samtidig at udføre flere operationer, der kræver lav numerisk præcision og forbedre ydeevnen.

IoT lover meget, men vi skal også tænke på omkostningerne ved at behandle alle disse data. Med smartere, grønnere processorer, vi kunne hjælpe med at løse miljøproblemer og bremse eller reducere deres bidrag til klimaændringer.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.