Comment réduire la consommation d'énergie des réseaux de neurones ?

Dans un monde où l’intelligence artificielle (IA) prend de plus en plus d’importance, les réseaux de neurones profonds, composants essentiels de l’IA, sont responsables d’une part croissante de la consommation d’énergie et des émissions de CO2 dans les centres de données.

Face à cette problématique, des chercheurs de l’Université de Paderborn travaillent sur un projet visant à améliorer l’efficacité énergétique de ces systèmes d’IA en réduisant considérablement le nombre et la précision des calculs nécessaires.

Plutôt que d’utiliser les unités centrales de traitement (CPU) et les unités de traitement graphique (GPU) habituelles, les chercheurs emploient du matériel programmable sous la forme de réseaux de portes programmables par l’utilisateur (FPGA).

Le ministère fédéral de l’Environnement, de la Protection de la nature, de la Sécurité nucléaire et de la Protection des consommateurs (BMUV) a accordé environ 1,5 million d’euros de financement à cette recherche jusqu’à la fin de 2025 en tant que projet phare en IA.

Économies d’énergie grâce aux calculs approchés

Le professeur Marco Platzner de l’Université de Paderborn, qui dirige le projet de recherche, explique que les GPU et les CPU ont souvent une faible efficacité énergétique. C’est pourquoi les chercheurs utilisent des FPGA, qui offrent des avantages significatifs en termes d’énergie et de performance. Ils utilisent également une méthode spéciale appelée approximate computing (calculs approchés).

Selon Marco Platzner, les FPGA permettent de réduire la précision des étapes de calcul individuelles, parfois de manière spectaculaire, sans nuire à la qualité requise pour la prévision des modèles. Cela permet de réduire considérablement le temps de calcul, entraînant d’importantes économies d’énergie.

En synthèse

Le projet de recherche mené par l’Université de Paderborn vise à améliorer l’efficacité énergétique des systèmes d’IA en utilisant des FPGA et l’approximate computing. Ce projet ambitieux, financé par le BMUV, pourrait réduire considérablement la consommation d’énergie et les émissions de CO2 dans les centres de données.

Pour une meilleure compréhension

Qu’est-ce que l’approximate computing ?

L’approximate computing (ou le calcul approché) est une méthode qui permet de réduire la précision des étapes de calcul individuelles sans nuire à la qualité requise pour la prévision des modèles, ce qui entraîne des économies d’énergie significatives.

Quels sont les avantages des FPGA par rapport aux CPU et GPU ?

Les FPGA offrent des avantages significatifs en termes d’énergie et de performance par rapport aux CPU et GPU, qui ont souvent une faible efficacité énergétique.

Quel est l’objectif principal du projet de recherche ?

L’objectif principal du projet est de réaliser des économies d’énergie pendant la phase d’utilisation des grands modèles de réseaux de neurones profonds en utilisant des FPGA et l’approximate computing.