연구에 따르면 자율주행차가 널리 채택되면 컴퓨팅 관련 배출량을 억제하기 위해 하드웨어 효율성이 빠르게 향상되어야 합니다.

미래에 전 세계 자율 주행 차량에 탑재된 강력한 컴퓨터를 실행하는 데 필요한 에너지는 오늘날 전 세계 모든 데이터 센터만큼 많은 온실 가스를 배출할 수 있습니다.

이는 자율주행차가 널리 채택될 경우 잠재적인 에너지 소비와 관련 탄소 배출량을 조사한 MIT 연구원들의 새로운 연구에서 발견한 핵심 내용 중 하나입니다.

응용 프로그램을 실행하는 데 사용되는 물리적 컴퓨팅 인프라를 수용하는 데이터 센터는 탄소 발자국이 큰 것으로 널리 알려져 있습니다. 현재 전 세계 온실 가스 배출량의 약 0.3%를 차지하거나 아르헨티나가 매년 배출하는 탄소의 양과 맞먹습니다. 국제에너지기구. 자율주행차의 잠재적인 발자국에 대한 관심이 적다는 것을 깨달은 MIT 연구원들은 문제를 연구하기 위해 통계 모델을 구축했습니다. 그들은 각각 840와트를 소비하는 컴퓨터로 하루에 한 시간씩 운전하는 10억 대의 자율주행차가 현재 데이터 센터와 거의 동일한 양의 배출량을 생성하기에 충분한 에너지를 소비할 것이라고 결정했습니다.

연구원들은 또한 모델링된 시나리오의 90% 이상에서 자율주행차 배출량이 현재 데이터 센터 배출량을 초과하지 않도록 하려면 각 차량이 컴퓨팅에 1.2킬로와트 미만의 전력을 사용해야 하므로 보다 효율적인 하드웨어가 필요하다는 사실을 발견했습니다. 2050년에 전 세계 차량의 95%가 자율주행차가 되고 컴퓨터 작업량이 3년마다 두 배로 증가하며 전 세계가 현재 속도로 계속 탈탄소화되는 한 시나리오에서 그들은 하드웨어 효율성이 배출량을 해당 수준으로 유지하려면 1.1년.

“우리가 탈탄소화의 일반적인 비즈니스 추세와 현재 하드웨어 효율성 개선 속도를 유지한다면 온보드 자율 차량 컴퓨팅에서 배출을 제한하는 데 충분하지 않은 것 같습니다. 이것은 다음과 같은 잠재력이 있습니다. 그러나 우리가 앞서 나가면 처음부터 탄소 발자국이 더 적은 보다 효율적인 자율 주행 차량을 설계할 수 있습니다.

Sudhakar는 전기 공학 및 컴퓨터 과학과(EECS) 부교수이자 전자 연구소(RLE) 회원인 그녀의 공동 고문인 Vivienne Sze와 함께 논문을 작성했습니다. 항공 및 우주 비행 부교수이자 LIDS (정보 및 결정 시스템 연구소) 책임자 인 Sertac Karaman. 이 연구는 1-2월호에 게재됩니다. IEEE 마이크로.

배출량 모델링

연구원들은 완전히 자율적인 전기 자동차의 전 세계 함대에 탑재된 컴퓨터의 작동 배출을 조사하기 위한 프레임워크를 구축했습니다. 즉, 백업 인간 운전자가 필요하지 않습니다.

이 모델은 전 세계 함대의 차량 수, 각 차량의 각 컴퓨터 성능, 각 차량이 운전하는 시간, 각 컴퓨터에 전력을 공급하는 전기의 탄소 집약도의 함수입니다.

Sudhakar는 “그 자체로는 믿을 수 없을 정도로 단순한 방정식처럼 보입니다. 그러나 우리는 아직 여기에 없는 새로운 응용 프로그램을 고려하고 있기 때문에 각 변수에는 많은 불확실성이 포함되어 있습니다.”라고 말했습니다.

예를 들어, 일부 연구에서는 사람들이 운전 중에 멀티태스킹을 할 수 있고 젊은이와 노인이 더 많이 운전할 수 있기 때문에 자율주행차로 운전하는 시간이 늘어날 수 있다고 제안합니다. 그러나 다른 연구에서는 알고리즘이 사람들을 목적지까지 더 빨리 데려다 주는 최적의 경로를 찾을 수 있기 때문에 운전에 소요되는 시간이 줄어들 수 있다고 제안합니다.

연구원들은 이러한 불확실성을 고려하는 것 외에도 아직 존재하지 않는 고급 컴퓨팅 하드웨어 및 소프트웨어를 모델링해야 했습니다.

이를 달성하기 위해 그들은 한 번에 많은 작업을 수행할 수 있기 때문에 멀티태스킹 심층 신경망으로 알려진 자율 차량용 알고리즘의 워크로드를 모델링했습니다. 그들은 이 심층 신경망이 프레임 속도가 높은 여러 카메라의 많은 고해상도 입력을 동시에 처리할 경우 얼마나 많은 에너지를 소비하는지 조사했습니다.

서로 다른 시나리오를 탐색하기 위해 확률 모델을 사용했을 때 Sudhakar는 알고리즘의 작업 부하가 얼마나 빨리 합산되는지에 놀랐습니다.

예를 들어, 자율주행차가 10대의 카메라에서 이미지를 처리하는 10개의 심층 신경망을 가지고 있고 그 차량이 하루에 한 시간 동안 운전한다면 매일 2,160만 건의 추론을 할 것입니다. 10억대의 차량은 2160조번의 추론을 할 것입니다. 전체적으로 보면 전 세계의 모든 Facebook 데이터 센터는 매일 몇 조 건의 추론을 수행합니다(1조는 1,000조).

“결과를 본 후 이것은 많은 의미가 있지만 많은 사람들의 레이더에 있는 것이 아닙니다. 이 차량은 실제로 엄청난 컴퓨터 성능을 사용할 수 있습니다. 그들은 세계에 대한 360도 뷰를 가지고 있습니다. 그래서 우리는 두 개의 눈을 가지고 있지만 그들은 20개의 눈을 가지고 있을 수 있으며 모든 곳을 보고 동시에 일어나는 모든 일을 이해하려고 노력합니다.”라고 Karaman은 말합니다.

자율주행차는 상품과 사람을 이동시키는 데 사용될 것이므로 전 세계 공급망을 따라 엄청난 양의 컴퓨팅 성능이 분산될 수 있다고 그는 말합니다. 그리고 그들의 모델은 컴퓨팅만 고려합니다. 차량 센서가 소비하는 에너지나 제조 과정에서 발생하는 배출량은 고려하지 않습니다.

배출량 확인

배출량이 통제 불능 상태가 되는 것을 방지하기 위해 연구원들은 각 자율 주행 차량이 컴퓨팅에 1.2킬로와트 미만의 에너지를 소비해야 한다는 사실을 발견했습니다. 이를 가능하게 하려면 컴퓨팅 하드웨어가 훨씬 더 빠른 속도로 효율성을 높여 약 1.1년마다 효율성을 두 배로 늘려야 합니다.

효율성을 높이는 한 가지 방법은 특정 주행 알고리즘을 실행하도록 설계된 보다 전문화된 하드웨어를 사용하는 것입니다. 연구원들은 자율 주행에 필요한 내비게이션 및 인식 작업을 알고 있기 때문에 이러한 작업을 위한 특수 하드웨어를 설계하는 것이 더 쉬울 수 있다고 Sudhakar는 말합니다. 그러나 자동차는 수명이 10년 또는 20년인 경향이 있으므로 특수 하드웨어를 개발하는 데 있어 한 가지 과제는 새로운 알고리즘을 실행할 수 있도록 “미래에 대비”하는 것입니다.

미래에 연구원들은 알고리즘을 더 효율적으로 만들 수 있으므로 컴퓨팅 성능이 덜 필요합니다. 그러나 더 높은 효율성을 위해 약간의 정확도를 포기하면 차량 안전이 저해될 수 있기 때문에 이는 어려운 일입니다.

이제 연구원들은 이 프레임워크를 시연했으므로 하드웨어 효율성 및 알고리즘 개선을 계속 탐색하기를 원합니다. 또한 그들은 자동차가 제조될 때 발생하는 탄소 배출량과 차량 센서의 탄소 배출량을 자율주행차에서 특성화하여 모델을 향상시킬 수 있다고 말합니다.

아직 탐색해야 할 시나리오가 많이 있지만 연구원들은 이 작업이 사람들이 고려하지 않았을 수 있는 잠재적인 문제를 밝히기를 희망합니다.

“우리는 사람들이 배출량과 탄소 효율성을 설계 시 고려해야 할 중요한 지표로 생각하기를 바랍니다. 자율 주행 차량의 에너지 소비는 배터리 수명 연장뿐 아니라 지속 가능성을 위해서도 매우 중요합니다.”라고 Sze는 말합니다.

이 연구는 부분적으로 National Science Foundation과 MIT-Accenture Fellowship의 자금 지원을 받았습니다.

출처: https://www.sciencedaily.com/releases/2023/01/230112113141.htm

댓글 없음

아름다운 덧글로 인터넷문화를 선도해 주세요