자율주행차에 동력을 공급하는 컴퓨터는 전 세계 탄소 배출량의 큰 원인이 될 수 있습니다.
연구에 따르면 자율 주행 차량이 널리 채택되면 컴퓨팅 관련 배출량을 억제하기 위해 하드웨어 효율성이 빠르게 향상되어야 합니다.
날짜:
2023년 1월 12일
원천:
매사추세츠 공과대학
요약:
새로운 모델은 완전 자율 차량의 컴퓨터에서 생성되는 배출량을 정량화합니다. 자율주행차가 널리 채택되면 배출량은 오늘날 전 세계 모든 데이터 센터에서 발생하는 배출량과 맞먹을 것입니다. 배출량을 그 수준 이하로 유지하려면 하드웨어 효율성을 현재 속도보다 더 빠르게 개선해야 합니다.
미래에 전 세계 자율 주행 차량에 탑재된 강력한 컴퓨터를 실행하는 데 필요한 에너지는 오늘날 전 세계의 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 840와트를 소비하는 컴퓨터로 매일 1시간씩 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 초과하는 것을 방지하기 위해 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 탈탄소화되는 한 시나리오에서 그들은 하드웨어 효율성이 이전보다 두 배 더 빨라야 한다는 것을 발견했습니다. 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 RLE(Research Laboratory of Electronics) 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 IEEE Micro 의 1~2월호에 실렸습니다 .
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 높여야 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 정확성을 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 배출량인 자율주행차의 내재 탄소를 특성화하여 모델을 향상시킬 수 있다고 말합니다.
아직 탐색해야 할 시나리오가 많지만 연구원들은 이 작업이 사람들이 고려하지 않았을 수 있는 잠재적인 문제를 밝혀주기를 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.
출처 : https://www.sciencedaily.com/