MIT-forskare gör spillvärme till beräkningskraft – lovande teknik för energieffektivare AI

Spillvärme blir beräkningskraft

Ett forskarteam lett av Giuseppe Romano vid MIT:s Institut för Soldatnanoteknologi har utvecklat något som låter som science fiction: en metod för att använda spillvärme från elektronik för databehandling utan att förbruka extra elektricitet. Enligt MIT Technology Review kan tekniken utföra matematiska beräkningar med över 99 procents noggrannhet.

I denna analoga beräkningsmetod kodas indata inte som traditionella ettor och nollor, utan som temperaturer baserade på spillvärmen som redan finns i enheten. Värmeflödet genom små kiselstrukturer, utformade av en fysikbaserad optimeringsalgoritm, utgör grunden för beräkningen. Forskarna använde strukturerna för matris-vektor-multiplikation – den grundläggande matematiska teknik som maskininlärningsmodeller använder.

Detta är mer än en teknisk kuriositet. Med AI-modellernas växande energibehov kan möjligheten att "återvinna" spillvärme för beräkningar bli avgörande för hållbar AI-utveckling. Visserligen måste forskarna fortfarande lösa skalbarhetsproblem – när matriserna blir mer komplicerade sjunker noggrannheten, särskilt över längre avstånd.

AI genomsyrar all forskning

Meanwhile visar MIT hur djupt AI redan har infiltrerat modern forskning. Sili Deng, docent i maskinteknik, började använda maskininlärning inom förbränningskinetik under pandemin och skapade en "digital tvilling" som speglar energisystemens prestanda. Zachary Cordero utvecklar AI-verktyg för att optimera materialsammansättningen i turbinmotorer för jetplan och raketer i samarbete med försvarsmyndigheten DARPA.

"Jag kan inte komma på ett enda forskargruppsmöte där vi inte diskuterar dessa verktyg", säger Angela Koehler, professor i bioteknik, vars forskargrupp använder AI-modeller för läkemedelsutveckling.

Kvalitetsgranskning av arabiska modeller

Parallellt med hårdvarugenombrotten pågår viktigt arbete för att förbättra AI-utvärdering globalt. Forskare har lanserat QIMMA (arabiska för "topp"), den första arabiska språkmodell-rankningen som systematiskt granskar kvaliteten på testdata innan modellerna utvärderas.

Trots att arabiska talas av över 400 miljoner människor är utvärderingen av arabiska AI-modeller splittrad och opålitlig. Många arabiska testsamlingar är översättningar från engelska, vilket skapar kulturella missanpassningar och onaturligt språkbruk. QIMMA använder en rigorös tvåstegs-process där två avancerade språkmodeller först bedömer varje testprov enligt en 10-punkts checklista, följt av granskning av infödda arabisktalare.

Plattformen samlar 109 delsamlingar från 14 olika källor till över 52 000 testprov inom sju områden, inklusive utbildning, hälsovård och programmering. Särskilt intressant är att QIMMA är den första arabiska rankningen som inkluderar kodning som testområde.

Fördjupad förståelse av innovation

Forskningen visar också hur innovation sker i oväntade sammanhang. MIT-teamets upptäckt att syreandning utvecklades för 3,2 miljarder år sedan – hundratals miljoner år före den stora syresättningen – illustrerar hur livet hittar sätt att utnyttja nya resurser långt innan de blir allmänt tillgängliga. Detta mönster återspeglas i dagens AI-utveckling, där forskare experimenterar med radikalt nya beräkningsparadigmer samtidigt som befintliga tekniker sprids till nya domäner.