AIがその潜在能力を実現するためには、エネルギー需要に対処しなければならない

人工知能（AI）は、エネルギー需要とともに第4次産業革命を牽引し続けています。今日では、誰でも高度なAIツールにアクセスし、システムに統合して効率を向上させ、作業負荷を軽減できます。これらのアルゴリズムに必要なエネルギーは、AIアプリケーションの需要が増加するにつれて増大します。そのため、環境保護論者はすでにこの技術に関する持続可能性の懸念を指摘しています。幸いにも、研究者チームが非常に効率的な代替手段を開発しました。以下が知っておくべきことです。

AIエネルギー需要の増大がエネルギー危機を生む

New AI systems continue to launch at an increasing frequency最新の世界エネルギー使用予測によると、AIのエネルギー消費は2022年の460テラワット時（TWh）から2026年には1,000 TWhへと倍増すると予測されています。これらのプロトコルには、レコメンダー、 大規模言語モデル（LLM）、 画像・動画の処理・生成、Web3サービスなどが含まれます。

研究者の研究によると、AIシステムはデータ転送において「オフチップの主メモリから3つの64ビットソースオペランドを読み取り、1つの64ビットデスティネーションオペランドを書き込む際の計算エネルギーの200倍に相当」というエネルギーが必要です。そのため、人工知能（AI）コンピューティングアプリケーションのエネルギー消費を削減することは、開発者が大規模採用と技術成熟を実現するために克服すべき重要な課題です。

幸いにも、ミネソタ大学の革新的なエンジニアチームが、AIプロトコルの消費電力を桁違いに削減できる可能性のある解決策を提示しました。この課題を達成するために、研究者は現在ほとんどのチップで採用されているフォン・ノイマン・アーキテクチャを改良した新しいチップ設計を導入しています。

フォン・ノイマン・アーキテクチャ

ジョン・フォン・ノイマンは1945年に論理ユニットとメモリユニットを分離し、当時としてはより効率的なコンピューティングを可能にしてコンピュータ分野に革命をもたらしました。この構成では、論理とデータが異なる物理的場所に格納されます。彼の発明は、両方に同時にアクセスできるようになったため、性能が向上しました。

出典 – University of Minnesota Twin Cities

RAM

現在、ほとんどのコンピュータは依然としてフォン・ノイマン構造を使用しており、ハードディスクにプログラムを保存し、ランダムアクセスメモリ（RAM）にプログラム命令と一時データを格納しています。今日のRAMは、コンデンサを利用するDRAMや、複数回路を持つSRAMなど、さまざまな方式でこの役割を果たしています。

特筆すべきは、この構造が数十年にわたり優れた性能を発揮してきたことです。しかし、論理とメモリ間のデータ転送が常に行われるため、多くのエネルギーを消費します。データ要求や計算負荷が増大するにつれて、このエネルギー転送は増加し、計算能力が向上するほど効率を制限するパフォーマンスボトルネックを生み出します。

エネルギー需要への改善試み

長年にわたり、フォン・ノイマン・アーキテクチャを改善しようとする試みが数多く行われてきました。これらの試みは、論理とメモリの二つの動作を物理的により近づけることを目的とした、さまざまなメモリプロセスのバリエーションを生み出しました。現在、主な3つのバリエーションがあります。

ニアメモリ処理

このアップグレードは、論理回路を物理的にメモリに近づけます。3Dスタック構造を用いることで実現されました。論理を近づけることで、計算に必要なデータ転送距離とエネルギーが削減され、効率が向上しました。

インメモリコンピューティング

計算アーキテクチャを改善するもう一つの現在の手法がインメモリコンピューティングです。特に、このチップスタイルには2つのバリエーションがあります。オリジナルは、単一チップ上でメモリの隣に論理クラスターを統合します。この配置により、前世代で使用されていたトランジスタを排除できます。しかし、この手法はメモリが依然として別個の位置にあるため、データ転送に起因する初期の性能問題が小規模ながら残ることから、「真の」インメモリ構造とは見なさない人も多くいます。

真のインメモリ

最後のチップアーキテクチャは「真のインメモリ」です。このタイプのアーキテクチャとみなすには、メモリが直接計算を実行できる必要があります。データがその場所に留まったまま論理演算が行われるため、機能と性能が向上します。研究者が最新に提案した真のインメモリアーキテクチャはCRAMです。

(CRAM)

計算型ランダムアクセスメモリ（CRAM）は、データが同一配列内で処理されることで真のインメモリ計算を可能にします。研究者は標準的な1T1M STT-MRAMアーキテクチャを改変し、CRAMを実現しました。CRAMのレイアウトは各セルにマイクロトランジスタを統合し、磁気トンネル接合（MTJ）ベースのCPU上に構築されています。

このアプローチは制御性と性能を向上させます。チームはさらに各セルに追加のトランジスタ、ロジックライン（LL）およびロジックビットライン（LBL）を積層し、同一メモリバンク内でリアルタイム計算を可能にしました。

CRAMの歴史

現在のAIシステムは、計算需要を満たしつつ持続可能性への懸念を損なわない新しい構造を必要としています。この需要を認識し、エンジニアは初めてCRAMの可能性を徹底的に探求することにしました。その結果はNPJ科学ジャーナルに「磁気トンネル接合ベースの計算型ランダムアクセスメモリの実証実験」という報告として掲載されました。

最初のCRAMはMTJデバイス構造を活用しました。これらのスピントロニックデバイスは、トランジスタではなく電子スピンを利用してデータを転送・保存することで、従来の記憶方式を改良しました。MTJ方式は、2つの強磁性層（FM）間に薄いトンネルバリアを配置します。小さな電圧が電子を励起し、層間を転送させます。

この転送により電流が生成され、メモリの読み書きを効率的に行うことができます。最新のCRAMアップグレードはこの概念をさらに進め、高性能な結果を実現しながらエネルギー需要を削減します。

CRAM研究

CRAMコンセプトは数年にわたり開発が進められてきましたが、これまでその能力に関する詳細なテストはほとんど行われていませんでした。特に、本研究はチームおよびその前任者が開発したさまざまな特許取得済みコンセプトを活用しました。例えば、今日のスマートウォッチ、センサー、マイクロコントローラに不可欠な磁気ランダムアクセスメモリ（MRAM）は、改良されたMTJデバイスと共に使用され、性能向上に寄与しました。

CRAMテスト

テスト段階では、研究者はロジック実行中のチップ性能を測定する必要がありました。研究者はスカラー加算、乗算、行列乗算など、さまざまな手法を用いて可能な限り深い洞察を得ました。

プロセスの最初のステップは、基本的なメモリ操作下での活動を測定することでした。そこからチームは2入力、3入力、5入力のロジック演算を用いて計算を拡張しました。この段階の後、2つの異なる設計の1ビットフルアダーを導入し再テストしました。最終テストでは1×7配列を使用し、興味深い結果が得られました。

CRAMテスト結果はエネルギー需要の低減を示す

テスト結果は、今日のモデルと比較して新しい概念実証プロセスがいかに効率的であるかを示しました。データは、計算中の消費電力が平均で1000倍低いことを示しています。他の省エネルギー手法と組み合わせると、従来手法に比べて2500倍、1700倍のエネルギー削減が実現できることが示されました。

追加機能

もう一つの興味深い発見は、CRAMがデータとオペランドの同時ランダムアクセスを可能にしたことです。この利点は並列計算能力を大幅に向上させ、将来的により安全で安定したプロトコルにつながる可能性があります。

CRAMが市場にもたらす利点

CRAMが提供する利点を検証することで、なぜこの画期的なブレークスルーが近い将来、一般ユーザーの日常活動に即座に影響を与える可能性があるのかを理解しやすくなります。CRAMは開発者やメーカーが主目的に最適に構成されたハードウェアを作成できるようにし、エネルギー需要を削減し性能を向上させます。

AI – フォーカス

人工知能はすでに多くの変化をもたらしています。これらのシステムは高い需要がありますが、正しく動作させるには特定のハードウェアとソフトウェアが必要です。CRAMはメーカーに、データ集約型、メモリ中心型、または電力感度の高いアプリケーションをサポートするように、初日から設計されたハードウェアを作成する能力を提供します。

将来的には、CRAMはバイオインフォマティクス、信号処理、ニューラルネットワーク、エッジコンピューティング、そして最先端の軍事ハードウェアなどの高度なAIアルゴリズムに電力を供給します。CRAMアレイは、開発者がコミュニティのニーズに柔軟に対応できる、より高性能な機械学習アプリケーションを作成できるようにします。

実績のある構造を使用

CRAMが賢明な選択肢となるもう一つの大きな利点は、実績のあるハードウェアシステムを使用していることです。特に、CRAMは一般的で成熟した技術を採用しており、消費者の信頼を高めます。また、ハードウェアの問題がユーザーにとって最小限の懸念となることも保証します。

柔軟性

CRAMは開発者に真の柔軟性を提供します。プログラマは、さまざまな一般的な論理演算を用いてメモリ配列内の任意の場所でデータを計算できます。具体的には、CRAMはAND、OR、NAND、NOR、MAJをサポートし、汎用性を高めています。

高速

速度は見過ごせないもう一つの利点です。論理とメモリ保存場所間のデータ転送には時間がかかります。この時間はほんの一瞬かもしれませんが、蓄積するとユーザー体験（UX）の低下につながります。CRAMは同一メモリがこれらのタスクを担うことで、遅くエネルギー集約的なデータ転送の必要性を排除します。

並列性

並列性とは、同じコードを同時に並行して実行できる能力です。これは多くの製造、安全、産業オペレーションにとって重要な要素です。CRAMの構造により、同一メモリ配列上で同じロジックを同時に並列実行できます。

製造コスト

CRAMは、製品構築に必要な部品数を削減することで、高級デバイスの製造コストも低減します。CRAMは論理とデータに同一メモリを使用するため、メーカーは部品数の少ないチップを製造できます。この構造はコスト削減と信頼性・性能の向上をもたらします。

研究者

この研究はミネソタ大学のTemaが主導しました。主要研究者には、Jian-Ping Wang、McKnight教授、Robert F. Hartmannが含まれます。さらに、Ulya Karpuzcu、Robert Bloom、Husrev Cilasun、Robert と Marjorie Henle、Sachin Sapatnekar、Brandon Zink、Zamshed Chowdhury、Salonik Resch が研究で重要な役割を果たしました。アリゾナ大学のチームも支援し、Pravin Khanal、Ali Habiboglu、Weigang Wang 教授が参加しました。

この研究は米国防高等研究計画局（DARPA）、米国標準技術研究所（NIST）、米国国立科学財団（NSF）、Cisco社からの助成金により実現しました。また、ミネソタ大学のミネソタ・ナノセンターとミネソタ・スーパーコンピューティング・インスティテュートでもテストと研究が行われました。

AIエネルギー需要削減で恩恵を受ける可能性のある2社

CRAMオプションを統合するだけで、追加収益を確保したり製品ラインを改善したりできるメーカーは多数存在します。これらの企業は市場で強固な地位を持ち、新技術を統合して提供価値を大幅に向上させる能力があります。

Microsoft

MSFT 価格チャート

Microsoft (MSFT ) はAIおよびコンピューティング市場の主要プレーヤーです。同社はこの分野の先駆者であり、10年以上にわたり技術に大きく貢献してきました。現在、MicrosoftはAI分野で大きなシェアを持ち、今後も有力な競争相手であり続けることを目指しています。

MicrosoftのAIサービスは、世界的に主要なオペレーティングシステムとしての地位を維持している点で競合他社に対し大きな優位性があります。そのため、MicrosoftのAIシステムは膨大なユーザーとアクセス可能なデータを抱えています。このデータは、Microsoftが将来的に最新のWindows OSの中核となる強力な新AIアルゴリズムを作成するのに役立っています。

Arm Holdings

ARM 価格チャート

Arm Holdingsは1990年に市場に参入しました。創業者はSophie WilsonとSteve Furberです。当初はAdvanced RISC Machines（ARM）Ltd.という名称で、1998年にArm Holdingsへとブランド変更しました。2000年代初頭、Arm HoldingsはGPUやその他製品を提供する高品質メーカーとしての評価を確立しました。

現在も主要なIPプロバイダー兼半導体メーカーとして位置付けられています。同社は2016年にソフトバンクに320億ドルで買収され、以降大幅な成長を遂げました。CRAMを既存製品に統合することで、環境負荷を大幅に削減しつつ、性能と収益の向上が期待できます。

AIの未来はエネルギー需要に左右される

AI導入を制限する主な要因はエネルギー需要です。この需要に対処するためには、性能を制限するボトルネックへの解決策を考案する必要があります。本最新の研究は、AIサービスが低消費電力のソリューションにアクセスでき、コミュニティ全体を活性化する明るい未来への扉を開きました。

他のクールな人工知能プロジェクトについては今すぐご覧ください。