دیودها پس از ترکیب هوش مصنوعی و الکترونیک قدرت چه نقشی خواهند داشت؟
پیام بگذارید
1، بهینه ساز بهره وری انرژی: "سوئیچ هوشمند" در مدیریت توان پویا
در سیستمهای الکترونیک قدرت مبتنی بر هوش مصنوعی، دیودها از طریق اتصال عمیق با الگوریتمهای یادگیری ماشین، جهشی را از عملکرد ثابت به انطباق پویا میکنند. از دست دادن رسانایی و افت بازیابی معکوس که توسط دیودهای سنتی در طول فرآیند سوئیچینگ ایجاد میشود، به گلوگاههای کلیدی تبدیل شده است که کارایی انرژی را در کاربردهای فرکانس بالا محدود میکند. معرفی فناوری هوش مصنوعی، از طریق نظارت بر زمان واقعی پارامترهایی مانند جریان، ولتاژ و دما، به صورت پویا وضعیت کار دیودها را تنظیم میکند و بهینهسازی راندمان انرژی را وارد عصر پاسخ «سطح میلیثانیه» میکند.
نقاط پیشرفت فناوری:
تنظیم ولتاژ دینامیک: در تجهیزات محاسباتی لبه هوش مصنوعی، آرایه دیودی که می تواند ولتاژ هدایت را تنظیم کند به طور خودکار با ولتاژ منبع تغذیه مطابق با بار کار مطابقت دارد. به عنوان مثال، یک طرح ثبت اختراع خاص از شبکههای عصبی برای تجزیه و تحلیل دادههای عملیاتی تاریخی، پیشبینی نوسانات جاری و بهینهسازی استراتژیهای کنترل استفاده میکند و مصرف انرژی تجهیزات را تا بیش از 30 درصد کاهش میدهد.
نوآوری مواد: رایج شدن دیودهای کاربید سیلیکون (SiC) و نیترید گالیوم (GaN) مقاومت در برابر 1/200 دستگاههای مبتنی بر سیلیکون را کاهش داده و زمان بازیابی معکوس را به کمتر از 10 نانوثانیه کاهش داده است. در ایستگاه های شارژ خودروهای انرژی جدید، دیودهای SiC راندمان شارژ را تا 2.5 درصد بهبود می بخشند و بیش از 1000 کیلووات ساعت برق در هر ایستگاه در سال صرفه جویی می کنند.
پیشبینی خطا و خود{0}}درمانی: الگوریتمهای هوش مصنوعی نوسانات غیرعادی در پارامترهایی مانند دما و جریان دیود را تجزیه و تحلیل میکنند تا هشدارهای اولیه در مورد خطاهای احتمالی ارائه کنند. پس از اتخاذ این فناوری، میزان خرابی یک سیستم ذخیره انرژی خاص تا 60 درصد کاهش و هزینه های نگهداری تا 45 درصد کاهش یافت.
مورد معمول:
پهپاد بازرسی قدرت هوش مصنوعی State Grid مجهز به یک ماژول دیود هوشمند است که ویژگی های هدایت را در زمان واقعی تنظیم می کند تا عملکرد پایدار را در محدوده دمایی -40 درجه تا+85 درجه حفظ کند و در نتیجه راندمان بازرسی را سه برابر افزایش دهد.
سیستم ذخیرهسازی انرژی Tesla Megapack از ترکیبی از دیودهای SiC و الگوریتمهای کنترل هوش مصنوعی برای افزایش بازده تبدیل انرژی از 92% به 95.5% استفاده میکند و انتشار کربن را تا بیش از 200 تن در هر ایستگاه در سال کاهش میدهد.
2، تقویتکننده ادراک: «پایانهای عصبی» برای جمعآوری دادههای چندوجهی
کیفیت تصمیم گیری سیستم های هوش مصنوعی به شدت به یکپارچگی و دقت داده های ورودی بستگی دارد. از طریق یکپارچه سازی و ارتقای هوشمند، دیودها از اجزای عملکردی منفرد به پایانه های حسگر چندوجهی تبدیل می شوند و "زبان انرژی" غنی تری را برای مدل های هوش مصنوعی ارائه می دهند.
نقاط پیشرفت فناوری:
آرایه فتودیود: با ادغام واحدهای پاسخ نور مرئی، نور مادون قرمز و نور فرابنفش بر روی یک بستر، می توان به تصویربرداری "یک آینه چندطیفی" دست یافت. پس از استفاده از سیستم درایو خودکار این فناوری، میزان دقت تشخیص شب تا 28 درصد افزایش یافت و زمان پاسخگویی در آب و هوای بد 0.3 ثانیه کاهش یافت.
دیود حساس به فشار/حساس دما: در نظارت بر وضعیت تجهیزات قدرت، دیودهای حساس به فشار می توانند تغییرات فشار 0.01 مگاپاسکال را حس کنند و دیودهای حساس به دما می توانند نوسانات دما 0.1 درجه را ثبت کنند. با به کارگیری این فناوری، یک مزرعه بادی خاص به دقت 98 درصد در پیشبینی خرابیهای گیربکس دست یافت و زمان توقف برنامهریزی نشده را تا 75 درصد کاهش داد.
دیود کوانتومی: یک دیود ابررسانا که توسط دانشگاه مینهسوتا در ایالات متحده ساخته شده است، که میتواند چندین سیگنال ورودی را به طور همزمان از طریق دروازههای جریان انرژی کنترل شده با ولتاژ پردازش کند. این ویژگی باعث می شود در محاسبات مورفولوژیکی عصبی عملکرد عالی داشته باشد. پس از استفاده از این فناوری بر روی یک پلت فرم آزمایشی خاص، سرعت آموزش هوش مصنوعی تا 40 درصد افزایش و مصرف انرژی تا 65 درصد کاهش یافت.
مورد معمول:
مدل بزرگ Huawei Pangu CV با ادغام دادههای تصویری با دقت بالا جمعآوریشده توسط هواپیماهای بدون سرنشین با دیودهای هوشمند، دقت تشخیص نقص را از 82% به 96% در بازرسی قدرت از 82% به 96% بهبود داده است و هزینههای توسعه و نگهداری مدل را تا 90% کاهش میدهد.
"مدل بزرگ Qingyuan" گروه ملی انرژی از آرایههای دیودی چند-وجهی برای جمعآوری دادههای سرعت باد، نور و دما استفاده میکند که دقت پیشبینی انرژی انرژی جدید را تا ۹۳ درصد بهبود میبخشد و سالانه بیش از ۵۰۰ میلیون درجه تلفات نیروی باد و خورشید را کاهش میدهد.
3، پشتیبانی از توان محاسباتی: "سنگ بنای سخت افزاری" معماری های محاسباتی جدید
از آنجایی که مقیاس پارامتر مدلهای هوش مصنوعی از تریلیونها فراتر میرود، معماری سنتی فون نویمان با چالشهای دوگانه «دیوار حافظه» و «دیوار قدرت» مواجه است. دیودها با ادغام با مواد جدید مانند ممریستورها و ابررساناها، نسل بعدی معماریهای محاسباتی کم توان- و چگالی بالا- را میسازند.
نقاط پیشرفت فناوری:
آرایه دیود ممریستور (1D1R): با استفاده از ویژگی های بازیابی معکوس دیودها برای رسیدن به آدرس دهی دو طرفه، ساختار ترانزیستور سه ترمینال سنتی را به ساختار دو ترمینال ساده می کند. یک شبکه عصبی مصنوعی دو لایه که با استفاده از این فناوری بر روی یک پلتفرم آزمایشی خاص ساخته شده است، به دقت 98.7 درصد در وظایف تشخیص قلم دستنویس، با مصرف انرژی تنها 1/5 راهحلهای سنتی دست یافت.
محاسبات کوانتومی دیود ابررسانا: دیود ابررسانا که توسط دانشگاه مینهسوتا ساخته شده است، کنترل جریان انرژی را از طریق اتصالات جوزفسون به دست میآورد و بازده انرژی آن نزدیک به حد تئوری است. اگر این فناوری در آموزش هوش مصنوعی به کار رود، می تواند مصرف انرژی یک استنتاج را به 1/1000 راه حل موجود کاهش دهد.
دیود نورومورفیک: با تقلید از ویژگیهای سیناپسی نورونهای مغز انسان، یک آرایه دیود توسعهیافته توسط یک تیم خاص میتواند به شتاب سختافزاری شبکههای عصبی پالس (SNN)، کاهش تأخیر تا میکروثانیه در وظایف تشخیص گفتار و مصرف تنها 1/20 از GPUهای سنتی دست یابد.
مورد معمول:
در ابررایانه NVIDIA DGX H200، استفاده از ماژولهای قدرت دیود SiC، بازده انرژی کلی را تا 15 درصد افزایش داده و زمان مورد نیاز برای آموزش یک مدل بزرگ چند میلیارد پارامتری را از 30 روز به 22 روز کاهش داده است.
آزمایشهای Google Quantum AI Lab نشان داده است که آرایههای دیود ابررسانا میتوانند الگوریتمهای شبیهسازی مولکولی را ۱۰۰۰ برابر سریعتر از CPUهای سنتی بهینه کنند و مسیرهای جدیدی را برای توسعه مواد مبتنی بر هوش مصنوعی باز کنند.
