Kāda loma būs diodēm pēc AI un jaudas elektronikas apvienošanas?
Atstāj ziņu
1, Energoefektivitātes optimizētājs: "Inteliģentais slēdzis" dinamiskajā enerģijas pārvaldībā
AI vadītās jaudas elektronikas sistēmās diodes panāk lēcienu no fiksētas funkcionalitātes uz dinamisku pielāgošanos, izmantojot dziļu savienojumu ar mašīnmācīšanās algoritmiem. Tradicionālo diožu radītie vadītspējas zudumi un reversās atkopšanas zudumi pārslēgšanas procesa laikā ir kļuvuši par galvenajiem šķēršļiem, kas ierobežo energoefektivitāti augstfrekvences lietojumos. AI tehnoloģijas ieviešana, reāllaikā uzraugot tādus parametrus kā strāva, spriegums un temperatūra, dinamiski pielāgo diožu darba stāvokli, ieviešot energoefektivitātes optimizāciju "milisekundes līmeņa" reakcijas laikmetā.
Tehnoloģiskie izrāviena punkti:
Dinamiskā sprieguma regulēšana: AI malas skaitļošanas iekārtās diožu bloks, kas var regulēt vadītspējas spriegumu, automātiski atbilst barošanas avota spriegumam atbilstoši uzdevuma slodzei. Piemēram, noteiktā patentu shēmā tiek izmantoti neironu tīkli, lai analizētu vēsturiskos darbības datus, prognozētu pašreizējās svārstības un optimizētu vadības stratēģijas, samazinot iekārtu enerģijas patēriņu par vairāk nekā 30%.
Materiālu jauninājumi: silīcija karbīda (SiC) un gallija nitrīda (GaN) diožu popularizēšana ir samazinājusi ieslēgšanas pretestību līdz 1/200 ierīcēm, kuru pamatā ir silīcija-, un saīsināja reversās atkopšanas laiku līdz mazāk nekā 10 nanosekundēm. Jaunās enerģijas transportlīdzekļu uzlādes stacijās SiC diodes uzlabo uzlādes efektivitāti par 2,5% un ietaupa vairāk nekā 1000 kWh elektroenerģijas uz vienu staciju gadā.
Bojājumu prognozēšana un paš{0}}dzišana: AI algoritmi analizē neparastas parametru, piemēram, diodes temperatūras un strāvas, svārstības, lai savlaicīgi brīdinātu par iespējamiem bojājumiem. Pēc šīs tehnoloģijas ieviešanas noteiktas enerģijas uzkrāšanas sistēmas atteices līmenis samazinājās par 60%, bet uzturēšanas izmaksas - par 45%.
Tipisks gadījums:
State Grid mākslīgā intelekta jaudas pārbaudes drons ir aprīkots ar viedo diodes moduli, kas reāllaikā pielāgo vadītspējas raksturlielumus, lai uzturētu stabilu darbību temperatūras diapazonā no -40 grādiem līdz +85 grādiem, tādējādi trīs reizes palielinot pārbaudes efektivitāti.
Tesla Megapack enerģijas uzglabāšanas sistēma izmanto SiC diožu un AI vadības algoritmu kombināciju, lai palielinātu enerģijas pārveidošanas efektivitāti no 92% līdz 95,5%, samazinot oglekļa emisijas par vairāk nekā 200 tonnām uz staciju gadā.
2. Uztveres pastiprinātājs: "nervu gali" multimodālu datu iegūšanai
AI sistēmu lēmumu pieņemšanas kvalitāte lielā mērā ir atkarīga no ievades datu integritātes un precizitātes. Pateicoties integrācijai un inteliģentai jaunināšanai, diodes no atsevišķiem funkcionāliem komponentiem tiek pārveidotas par multimodāliem sensoru termināliem, nodrošinot bagātāku "enerģijas valodu" AI modeļiem.
Tehnoloģiskie izrāviena punkti:
Fotodiožu masīvs: integrējot redzamās gaismas, infrasarkanās gaismas un ultravioletās gaismas reakcijas vienības uz viena substrāta, var iegūt "viena spoguļa multispektrālu" attēlu. Pēc tam, kad automātiskās piedziņas sistēma pieņēma šo tehnoloģiju, nakts atpazīšanas precizitātes līmenis palielinājās par 28%, un reakcijas laiks sliktos laikapstākļos saīsinājās par 0,3 sekundēm.
Spiedienjutīga/temperatūras jutīga diode: Strāvas aprīkojuma stāvokļa uzraudzībā spiedienjutīgās diodes var uztvert spiediena izmaiņas 0,01 MPa līmenī, un temperatūras jutīgās diodes var uztvert temperatūras svārstības par 0,1 grādu. Ieviešot šo tehnoloģiju, noteikts vēja parks sasniedza 98% precizitāti, prognozējot pārnesumkārbas atteices, un samazināja neplānotas dīkstāves par 75%.
Kvantu diode: supravadītāja diode, ko izstrādājusi Minesotas universitāte Amerikas Savienotajās Valstīs un kas var vienlaikus apstrādāt vairākus signālu ievadus caur sprieguma kontrolētiem enerģijas plūsmas vārtiem. Šī funkcija nodrošina izcilu darbību neironu morfoloģiskajā skaitļošanā. Pēc šīs tehnoloģijas ieviešanas noteiktā eksperimentālā platformā AI apmācības ātrums palielinājās par 40% un enerģijas patēriņš samazinājās par 65%.
Tipisks gadījums:
Huawei Pangu CV lielais modelis ir uzlabojis defektu atpazīšanas precizitāti no 82% līdz 96% jaudas pārbaudē, integrējot augstas-precizitātes attēlu datus, kas savākti bezpilota lidaparātiem ar viedajām diodēm, samazinot modeļa izstrādes un uzturēšanas izmaksas par 90%.
Nacionālās enerģētikas grupas "Qingyuan Big Model" izmanto daudzmodālu diožu blokus, lai apkopotu vēja ātruma, gaismas un temperatūras datus, uzlabojot jaunas enerģijas jaudas prognozēšanas precizitāti līdz 93% un samazinot vēja un saules enerģijas zudumus par vairāk nekā 500 miljoniem grādu gadā.
3, skaitļošanas jaudas atbalsts: jaunu skaitļošanas arhitektūru "aparatūras stūrakmens".
Tā kā mākslīgā intelekta modeļu parametru skala pārsniedz triljonus, tradicionālā fon Neimaņa arhitektūra saskaras ar dubultiem izaicinājumiem - "atmiņas siena" un "spēka siena". Integrējot ar jauniem materiāliem, piemēram, memristoriem un supravadītājiem, diodes veido nākamās paaudzes zemas-jaudas un augsta{2}}blīvuma skaitļošanas arhitektūras.
Tehnoloģiskie izrāviena punkti:
Diodes memristora (1D1R) masīvs: izmanto diožu reversās atkopšanas īpašības, lai panāktu divvirzienu adresāciju, vienkāršojot tradicionālo trīs terminālu tranzistoru struktūru līdz divu terminālu struktūrai. Divslāņu mākslīgais neironu tīkls, kas izveidots, izmantojot šo tehnoloģiju noteiktā eksperimentālā platformā, sasniedza 98,7 % precizitāti rokrakstā rakstīto fontu atpazīšanas uzdevumos, un enerģijas patēriņš bija tikai 1/5 no tradicionālajiem risinājumiem.
Supravadošās diodes kvantu skaitļošana: Minesotas Universitātes izstrādātā supravadītāja diode nodrošina enerģijas plūsmas kontroli caur Džozefsona krustojumiem, un tās energoefektivitāte ir tuvu teorētiskajai robežai. Ja šī tehnoloģija tiek izmantota AI apmācībai, tā var samazināt viena secinājuma enerģijas patēriņu līdz 1/1000 no esošā risinājuma.
Neiromorfā diode: imitējot cilvēka smadzeņu neironu sinaptiskās īpašības, noteiktas komandas izstrādāts diožu masīvs var panākt impulsu neironu tīklu (SNN) aparatūras paātrinājumu, samazinot latentumu līdz mikrosekundēm runas atpazīšanas uzdevumos un patērējot tikai 1/20 no tradicionālajiem GPU.
Tipisks gadījums:
Superdatorā NVIDIA DGX H200 SiC diožu jaudas moduļu izmantošana ir palielinājusi kopējo energoefektivitāti par 15%, samazinot laiku, kas nepieciešams vairāku miljardu parametru liela modeļa apmācībai no 30 dienām līdz 22 dienām.
Google Quantum AI Lab veiktie eksperimenti ir parādījuši, ka supravadošo diožu bloki var optimizēt molekulārās simulācijas algoritmus 1000 reizes ātrāk nekā tradicionālie CPU, paverot jaunus ceļus mākslīgā intelekta vadītai materiālu izstrādei.
