Учёные Нижегородского государственного университета разработали методику, которая позволяет объективно сравнивать энергоэффективность самых разных вычислительных систем - от современных графических ускорителей до биологических синапсов.
Эта работа важна, потому что в мире, где вопрос энергопотребления становится ключевым, нужна единая и понятная база для сопоставления эффективности самых разных устройств и подходов к вычислениям. Исходная задача исследователей - предложить универсальные метрики, применимые ко всем уровням: от отдельных транзисторов и чипов до поведения нейронных сетей и живых клеток.
В традиционных измерениях часто используют вт/операцию или энергию на бит - такие оценки полезны, но они не учитывают разницу архитектур, характера нагрузки и возможностей параллелизма.
Учёные ННГУ предлагают шире смотреть на проблему: важно учитывать не только потребление энергии, но и качество вычислений, пропускную способность, время отклика и соотношение полезной работы к потраченной энергии.
Ключевой элемент методологии - понятие "энергоэффективной производительности", которое объединяет несколько параметров в условный индекс.
Этот индекс включает энергию на операцию, пропускную способность системы и эффективность использования аппаратных ресурсов при решении прикладных задач.
Таким образом, сравнивать можно не только "сырые" числа ватт, но и реальную пользу, которую даёт та или иная платформа для конкретной задачи, будь то обработка изображений, обучение нейросетей или моделирование биологических процессов.
Почему нужны новые критерии оценки
Существующие подходы к измерению энергоэффективности часто ориентированы на конкретные классы устройств и не дают возможности корректно сравнить, например, GPU и биологический нейрон. В результате получаются противоречивые выводы: то, что в одной шкале выглядит эффективным, в другой - непригодным.
Исследователи ННГУ заметили, что для принятия решений о развитии вычислительной инфраструктуры и выборе направлений исследований необходимы универсальные критерии, которые учитывают разнообразие архитектур и задач. Кроме того, простое уменьшение потребления энергии на отдельную операцию не всегда приводит к лучшей системе в целом.
Появляются важные аспекты: насколько быстро можно обработать большой объём данных, сколько операций выполняется параллельно, какова надёжность и повторяемость результатов.
Всё это влияет на суммарную энергоэффективность при выполнении реальных прикладных задач. Учёные также подчёркивают значимость сравнения с биологическими системами. Мозг живого существа демонстрирует невероятную энергоэффективность при выполнении сложных задач. Однако прямое сравнение нейронной ткани и кремниевых устройств невозможно без единого метода нормирования параметров.
Именно это и стало мотивацией для создания новой методики.
Составляющие индекса энергоэффективности
В основу предложенного индекса легли несколько измеряемых параметров. Первый - средняя энергия, затрачиваемая на элементарную вычислительную операцию в рамках конкретной задачи. Второй - пропускная способность, то есть количество операций в единицу времени при заданных условиях.
Третий - коэффициент использования ресурсов, отражающий, насколько эффективно платформа задействует своё аппаратное обеспечение при выполнении задачи. Эти параметры комбинируются с поправками, учитывающими характер вычислений: последовательный или параллельный режим, степень шумоподверженности и требования к точности.
Такая комбинация позволяет получить показатель, который не просто отражает энергопотребление, а показывает эффективность использования энергии для достижения цели.
Важна также методика замера: учёные описали процедуры и контрольные тесты, которые стандартизируют измерения для смартфона, сервера, специализированного ускорителя и биологического образца.
Это делает сравнения воспроизводимыми и прозрачными. Отдельное место в методике занимает оценка "полезной работы" - не всех операций подряд, а именно тех вычислений, которые действительно двигают решение задачи вперёд.
Это особенно важно для систем с высокой степенью параллелизма, где часть вычислительных ресурсов может простаивать или выполнять вспомогательные задачи.
Практические результаты и перспективы
Применение методики уже позволило получить интересные результаты.
При сравнении современных GPU, FPGA и аналитических моделей нейронных сетей, а также данных по нейронным синапсам, показано, что прямые аналогии между энергоэффективностью человеческого мозга и кремниевых устройств возможны, но требуют аккуратного учета контекста применения.
В ряде задач биологические системы демонстрируют превосходство по энергии на полезную операцию, однако современные ускорители выигрывают в скорости и предсказуемости.
Для разработчиков аппаратной и программной платформ методика даёт практические ориентиры: куда стоит направлять усилия - уменьшение энергии на операцию, улучшение параллельной обработки или повышение коэффициента использования ресурсов.
Для нейробиологов и исследователей в области нейроморфных вычислений новый подход открывает возможность объективно оценивать, какие особенности биологии можно и нужно заимствовать, а какие - имитировать лишь частично.
Дальнейшие шаги команды ННГУ включают расширение набора контрольных задач, привлечение внешних площадок для валидации методики и разработку открытой базы результатов.
Это позволит создать отраслевой стандарт и упростит принятие решений при проектировании энергоэффективных вычислительных систем в науке и промышленности.
Может быть интересно: Ремонт двигателя Audi A5 2018: комплексный анализ неисправностей и способов ремонта
Об авторе
