La inteligencia artificial tiene el potencial de transformar la manera en que funciona nuestro planeta, si bien sus beneficios no deben anteponerse a los objetivos de sostenibilidad.

Añadiendo inteligencia, una simple aplicación electrónica basada en procesos puede transformarse en un sistema más sofisticado con funciones avanzadas, como el reconocimiento de imágenes o la toma de decisiones compleja.

Indudablemente, la IA y el aprendizaje automático tienen y seguirán teniendo una gran repercusión en las instalaciones electrónicas periféricas y centralizadas que incide en el sector electrónico, la sanidad, los hogares, etc.

Pero la inteligencia tiene un coste. Aunque la IA ha demostrado ser beneficiosa a la hora de mejorar la eficiencia energética en campos como los motores eléctricos, otras muchas aplicaciones están provocando un aumento del consumo energético, afectando negativamente a los objetivos de sostenibilidad.

En este sentido, ¿qué puede hacerse para que la IA y el AA en la periferia ofrezcan sus ventajas sin que los objetivos globales de sostenibilidad se vean afectados?

Las dos vertientes de la IA en el consumo energético
En algunos ámbitos, la IA y el AA han recibido elogios por su capacidad de agilizar los procesos y generar menos residuos. Por ejemplo, los algoritmos de AA implementados en la periferia han ayudado a mejorar las tecnologías de edificios inteligentes, incrementando la eficiencia energética mediante la regulación dinámica de la calefacción, la iluminación y el aire acondicionado en función de la información sobre ocupación en tiempo real.

Del mismo modo, en los vehículos autónomos será necesario integrar modelos de IA y AA para interpretar y recorrer vías congestionadas, ya que incorporarán análisis en tiempo real de datos procedentes de fuentes de detección como sensores de imágenes (figura 1). Sin embargo, los modelos de IA y AA consumen energía, y los expertos en automoción estiman que los vehículos eléctricos de conducción autónoma de nivel 4 destinarán alrededor del 46 % de su potencia a la electrónica de control y los modelos de IA. ²

Figura 1: Los vehículos autónomos deben evaluar un amplio número de variables para funcionar de manera segura (fuente: adobe stock/scharfsinn86).

Aunque el impacto de la IA periférica en el consumo energético puede ser beneficioso, el impacto de la IA centralizada casi siempre es perjudicial. Los grandes centros de datos que impulsan la IA generativa y entrenan los modelos de IA periférica pueden aumentar la eficiencia operativa en el mundo real, pero su uso de energía es considerable (se estima que solo el entrenamiento de Chat GPT-3 ha consumido 1287 MWh de electricidad).

El desafío es claro: la IA facilita una gestión más inteligente de la energía y los recursos, pero los algoritmos de IA también consumen energía, viéndose la demanda incrementada por la sofisticación de su implementación.

Desarrollar soluciones de IA eficientes desde el punto de vista energético
En términos generales, la reducción del impacto de la IA puede lograrse mediante uno de estos tres planteamientos. El primero consiste en optimizar el hardware, que incluye componentes de apoyo como fuentes de alimentación y aceleradores de IA (p. ej., circuitos integrados para aplicaciones específicas y unidades de procesamiento gráfico). Aumentar la eficiencia de estos componentes básicos del hardware logra aumentar la eficacia de la computación de la IA, la cual engloba procesos operativos o tareas como el entrenamiento y la inferencia de redes neuronales.

De manera alternativa, a medida que avance nuestra comprensión de la IA, los ingenieros también podrán encontrar formas de reducir la gran cantidad de potencia empleadas por los modelos de IA complejos. Existen técnicas como la depuración de modelos —que consiste en eliminar partes redundantes de una red neuronal— o la cuantización —que reduce la precisión de los parámetros de un modelo de IA— que logran ayudar a disminuir de forma significativa la demanda de energía del entrenamiento y la inferencia. Esta tendencia es especialmente importante habida cuenta de que cada vez más empresas se deciden a escalar las soluciones de IA para aplicaciones tanto industriales como de consumo, convirtiéndose el entrenamiento centralizado en una parte fundamental del desarrollo de los productos.

Por último, la integración de fuentes de energía renovable en las aplicaciones de IA de mayor consumo se está imponiendo como una solución atractiva para reducir la demanda de la tecnología de procesamiento necesaria.

Buscar los componentes ideales
Seleccionar los componentes adecuados es esencial para los ingenieros que tratan de aportar soluciones al mercado que alcancen el delicado equilibrio entre progreso tecnológico y eficiencia energética.

Para ello, Mouser Electronics ofrece una amplia selección de soluciones de los principales fabricantes del mundo, así como recursos diseñados para que los ingenieros puedan perfeccionar sus conocimientos y aptitudes. Estas soluciones se dirigen tanto a la IA periférica como a la IA centralizada, y tienen la intención de reducir el consumo energético, optimizar la eficiencia del hardware y posibilitar el uso de fuentes de energía renovable.

La oferta de Mouser incluye fuentes de alimentación que aprovechan la última tecnología de semiconductores de banda ancha y permiten implantar la IA centralizada de forma más eficiente. La línea de centros de datos de Infineon Technologies incluye rectificadores de frente activo, convertidores de CC-CC y productos con fase de inversor que admiten potencias de 5 a 60 kW.

Varias de estas soluciones se basan en las tecnologías de última generación CoolSiC™ Hybrid y CoolSiC™ MOSFET de Infineon. A diferencia de los tradicionales módulos MOSFET de silicona, los paquetes hechos total o parcialmente con carburo de silicio logran soportar temperaturas más altas y tensiones elevadas al tiempo que logran reducir las pérdidas de potencia. Como complemento a sus componentes de alimentación, Infineon ofrece los controladores digitales de potencia XDP™ que ofrecen un preciso control digital de la conversión de potencia.

La gama XDP es ideal para la última generación de arquitecturas de servidor de 48 V (más eficientes desde el punto de vista energético). Al optimizar la conversión CC-CC, los controladores XDP™ permiten obtener eficiencias de hasta un 97 %, de modo que satisfacen las demandas de las cargas de IA e impulsan el aprovechamiento energético de residuos. Los controladores XDP, gracias a su intuitiva interfaz gráfica de usuario que facilita el proceso de configuración y monitorización, y a sus sofisticados algoritmos de control digital, garantizan un desarrollo rápido y un rendimiento eficiente en fuentes de alimentación inteligentes para infraestructuras de telecomunicaciones, placas base de servidores, aplicaciones industriales 4.0 y otros sistemas de 48 V de alta gama.

Con el cambio a los componentes de alimentación principales de carburo de silicio y la adopción de controladores avanzados y arquitecturas de 48 V, los ingenieros ayudan a crear servidores de IA que ofrezcan una computación de alto rendimiento y reduzcan el consumo energético y los costes operativos.

El catálogo de Mouser también incluye componentes diseñados para ayudar a los ingenieros a crear implementaciones de IA periférica de bajo consumo. Los circuitos integrados de gestión de energía (PMIC, por sus siglas en inglés) inteligentes, como el PMIC de recopilación de energía NEH2000BYJ de Nexperia (figura 2), están diseñados para extraer energía de células fotovoltaicas, lo que permite que los nodos de IdC distribuidos se alimenten con energía solar.

Figura 2: Los PMIC, como el NEH2000BY pueden permitir alimentar dispositivos periféricos con fuentes renovables (fuente: Mouser Electronics).

Los PMIC solares, como el NEH2000BYJ, son solo un elemento de la estrategia de desarrollo de dispositivos de IA periféricos eficientes desde el punto de vista energético. Los ingenieros deben optimizar los modelos de IA de modo que se reduzca el consumo energético a fin de ayudar a aumentar la duración de las baterías en implementaciones sin fuentes de alimentación fijas, como los nodos de detección industriales o los detectores inteligentes de calidad del aire de las ciudades.

La herramienta de optimización energética Otii Arc Pro de Qoitech está diseñada para captar el perfil energético de pequeños aparatos electrónicos como los nodos de IdC, así como de componentes individuales como microcontroladores y sensores, brindando análisis en tiempo real y durante periodos prolongados. En el caso del desarrollo de nodos, las precisas mediciones de corriente de la herramienta —junto con el software compatible Otii Pro Battery Toolbox y Otii Pro Automation Toolbox— pueden permitir a los ingenieros a cuantificar el consumo de potencia de las operaciones basadas en IA a fin de impulsar la creación de modelos de menor consumo.

Conclusión
El auge de la IA ofrece oportunidades apasionantes, pero también plantea importantes desafíos en el ámbito de la ingeniería. La expansión de la IA hace que sea esencial encontrar un camino sostenible tanto para las implantaciones periféricas como para las centralizadas. Pero gracias a innovaciones en la eficiencia del hardware, a técnicas avanzadas de optimización de modelos y a la adopción de fuentes de energía renovables, la IA puede progresar sin sobrecargar las redes eléctricas. Para los ingenieros, es fundamental encontrar e integrar los componentes adecuados, como los que ofrece Mouser, para desarrollar sistemas de IA centralizados y periféricos que encuentren un equilibrio entre el rendimiento y la responsabilidad energética.

Mark Patrick, director de contenido técnico, EMEA, Mouser Electronics

Notas:

1. https://www.bloomberg.com/news/newsletters/2024-02-27/autonomous-electric-vehicles-will-guzzle-power-instead-of-gas

2. https://news.climate.columbia.edu/2023/06/09/ais-growing-carbon-footprint/