تیم تحقیقاتی در دانشکده مهندسی دانشگاه ایالتی اورگن موفق به توسعه و رونمایی از فناوری چیپست نوینی شدهاند که پتانسیل ایجاد تحولی بنیادین در بهرهوری انرژی سیستمهای هوش مصنوعی، به ویژه مدلهای زبانی بزرگ (LLM) نظیر جمینای گوگل و GPT-4 شرکت OpenAI را دارد. این چیپست پیشرفته قادر است مصرف انرژی مورد نیاز برای پردازشهای سنگین این مدلها را تا سقف قابل توجه ۵۰ درصد کاهش دهد.
بر اساس اطلاعاتی که از سوی دانشگاه اورگن استیت منتشر شده است، جزئیات این دستاورد مهم در جریان کنفرانس معتبر IEEE CICC که اخیراً در شهر بوستون ایالات متحده برگزار شد، ارائه گردید. این پژوهش توسط آقای رامین جوادی، دانشجوی دکتری ایرانیتبار این دانشگاه، انجام شده و تحت نظارت و همکاری پروفسور تِجاسوی آناند، یکی از اساتید برجسته دپارتمان مهندسی برق دانشگاه، به ثمر رسیده است. به گفته این دو محقق، رویکرد اصلی در طراحی این تراشه، استفاده از اصول و الگوریتمهای هوش مصنوعی برای بهینهسازی فرآیندهای پردازشی بوده که نتیجه آن، مصرف انرژی به مراتب پایینتر نسبت به معماریهای سنتی و مرسوم در این حوزه است.
آقای جوادی در توضیح چالش اصلی که این تحقیق به دنبال حل آن بوده، خاطرنشان کرد که عملکرد مدلهای زبانی بزرگ به شدت وابسته به انتقال و پردازش حجم عظیمی از داده است. این تبادل داده، که عمدتاً از طریق زیرساختهای سیمی (کابلهای مسی) در داخل مراکز داده انجام میشود، فرآیندی بسیار انرژیبر است و سهم قابل توجهی در مصرف کلی برق این مراکز دارد. وی افزود که یکی از مسیرهای کلیدی و اثربخش برای مهار این اتلاف انرژی، تمرکز بر نوآوری و ابداع تراشههای ارتباطی سیمی با بهرهوری انرژی بسیار بالاتر است.
او در ادامه به تشریح چگونگی عملکرد نوآورانه این چیپست پرداخت و توضیح داد که در اغلب سیستمهای ارتباطی سیمی کنونی، برای بهبود کیفیت سیگنالهای داده و تصحیح خطاهای ناشی از انتقال در فواصل طولانی، از ابزارهایی به نام اکولایزر استفاده میشود. متاسفانه این اکولایزرهای سنتی، خود از مولفههای پرمصرف انرژی محسوب میشوند. اما در این پروژه تحقیقاتی، آقای جوادی و پروفسور آناند با بهکارگیری اصول هوش مصنوعی، روشی بسیار هوشمندانهتر و بهینهتر برای پردازش و اصلاح داده مستقیماً بر روی خود تراشه ابداع کردهاند. این متد نوین، نه تنها نیاز به اکولایزرهای پرمصرف را کاهش میدهد، بلکه با استفاده از قابلیتهای یادگیری ماشینی، تراشه قادر است الگوهای خطای موجود در سیگنالهای داده را شناسایی کرده و به صورت پویا و هوشمندانه نسبت به اصلاح آنها اقدام کند. این قابلیت یادگیری و انطباق، بهرهوری کلی سیستم را افزایش داده و مصرف انرژی را به حداقل میرساند.
پروفسور تِجاسوی آناند، که سرپرستی آزمایشگاه سیستمها و مدارهای ترکیبی آنالوگ-دیجیتال دانشگاه ایالتی اورگن را بر عهده دارد، در خصوص اهمیت بنیادین این پژوهش در مقیاس بزرگتر اظهار داشت: «یکی از معضلات فزاینده در دنیای فناوری امروز، این است که با وجود افزایش نمادین و بیوقفه تقاضا برای پهنای باند و نرخ انتقال داده، میزان انرژی لازم برای جابجایی هر بیت داده به تناسب کاهش پیدا نمیکند. این شکاف فزاینده میان نیاز به سرعت و بهرهوری انرژی در انتقال اطلاعات، مستقیماً به مصرف سرسامآور برق در مراکز داده منجر میشود و این تحقیق گامی مهم در جهت رفع این چالش حیاتی است.»
شایان ذکر است که این پروژه پیشگامانه با حمایت و تامین مالی نهادهای معتبری نظیر آژانس پروژههای تحقیقاتی پیشرفته دفاعی ایالات متحده (دارپا – DARPA)، کنسرسیوم تحقیقات نیمهرساناها (SRC) و مرکز ارتباطات فراگیر به نتیجه رسیده است. این دستاورد ارزشمند، علاوه بر اهمیت علمی و فناورانه، افتخار کسب جایزه «بهترین مقاله دانشجویی» کنفرانس معتبر IEEE را برای آقای رامین جوادی به ارمغان آورد که نشان از کیفیت و نوآوری بالای این پژوهش دارد. تیم تحقیقاتی در حال حاضر مشغول کار بر روی نسل بعدی این تراشه هستند. پیشبینی میشود که نسخه آتی این چیپست، گامی دیگر و مهم در جهت افزایش چشمگیر بهرهوری انرژی در سختافزارهای مورد نیاز برای پردازشهای پیچیده هوش مصنوعی در آینده باشد.
