Az autonóm járművek széles körű elterjedése esetén a hardverek hatékonyságának gyors fejlődésére lesz szükség ahhoz, hogy a számítástechnikával kapcsolatos kibocsátásokat kordában lehessen tartani. Ez az egyik legfontosabb megállapítása az MIT kutatói által készített új tanulmányának, amely az autonóm járművek széles körű elterjedése esetén a lehetséges energiafogyasztást és a kapcsolódó szén-dioxid-kibocsátást vizsgálta.
Az alkalmazások futtatásához használt fizikai számítástechnikai infrastruktúrának otthont adó adatközpontok széles körben ismertek nagy szén-dioxid-kibocsátásukról. A Nemzetközi Energiaügynökség szerint jelenleg az üvegházhatású gázok globális kibocsátásának mintegy 0,3 százalékáért felelősek, ami körülbelül annyi szén-dioxidot jelent, amennyit Argentína évente termel. Felismerve, hogy az autonóm járművek potenciális lábnyomára eddig kevesebb figyelmet fordítottak, az MIT kutatói statisztikai modellt építettek a probléma tanulmányozására. Megállapították, hogy 1 milliárd autonóm jármű - amelyek egyenként napi egy órát töltenek a forgalomban egy 840 wattot fogyasztó számítógéppel - elegendő energiát fogyasztana ahhoz, hogy körülbelül ugyanannyi károsanyag-kibocsátást generáljon, mint amennyit jelenleg az adatközpontok.
A kutatók azt is megállapították, hogy a modellezett forgatókönyvek több mint 90 százalékában azt találták, ahhoz, hogy az autonóm járművek kibocsátása ne haladja meg az adatközpontok jelenlegi emisszióját, minden egyes járműnek kevesebb mint 1,2 kilowatt energiát kell felhasználnia a számításhoz, ami hatékonyabb hardvert igényel. Az egyik forgatókönyvben (amelyben a globális járműpark 95 százaléka autonóm lesz 2050-ben, a számítási munkaterhelés háromévente megduplázódik, és a világ a jelenlegi ütemben folytatja a szén-dioxid-mentesítést) azt találták, hogy a hardverek hatékonyságának minimum 1,1 évenként meg kellene duplázódnia ahhoz, hogy a kibocsátást az említett szintek alatt lehessen tartani - számolt be az egyetem híroldala.
"Ha csak a szokásos tendenciákat tartjuk fenn a dekarbonizációban és a hardverhatékonyság javulásának jelenlegi ütemében, az nem tűnik elégnek az autonóm járművek fedélzeti számítástechnikai kibocsátásának korlátozásához. Ez hatalmas problémává válhat. De ha megelőzzük, hatékonyabb autonóm járműveket tervezhetünk, amelyeknek eleve kisebb a szén-dioxid-kibocsátásuk" - mondta a tanulmány első szerzője, Soumya Sudhakar.
Sudhakar a tanulmányt - amely az IEEE Micro januári-februári számában jelenik meg - Vivienne Sze, és Sertac Karaman MIT kutatók társaságában írta.
A kutatók egy olyan keretrendszert építettek fel, amellyel a számítógépek által okozott működési kibocsátásokat vizsgálhatták egy teljesen autonóm, azaz tartalék emberi vezető nélküli elektromos járművekből álló globális flottával. A modell a globális flotta járműveinek számától, az egyes járműveken lévő számítógépek teljesítményétől, az egyes járművek által megtett órák számától és az egyes számítógépeket tápláló villamos energia szén-dioxid-intenzitásától függ.
"Önmagában ez egy megtévesztően egyszerű egyenletnek tűnik. De ezek a változók mindegyike sok bizonytalanságot tartalmaz, mivel egy olyan újonnan megjelenő alkalmazást vizsgálunk, amely még nem létezik" - mondja Sudhakar.
Egyes kutatások szerint például az autonóm járművekkel töltött idő növekedhet, mert az emberek vezetés közben több feladatot is el tudnak végezni, illetve a fiatalok és az idősek többet vezethetnek. Más kutatások szerint viszont a vezetéssel töltött idő csökkenhet, mert az algoritmusok olyan optimális útvonalakat találhatnak, amelyek gyorsabban eljuttatják az embereket a célállomásra. E bizonytalanságok figyelembevétele mellett a kutatóknak olyan fejlett számítástechnikai hardvereket és szoftvereket is modellezniük kellett, amelyek még nem léteznek.
Ennek érdekében modellezték az autonóm járművek egyik népszerű algoritmusának munkaterhelését, amelyet többfeladatos mély neurális hálózatnak neveznek, mivel egyszerre több feladatot is képes elvégezni. Megvizsgálták, hogy mennyi energiát fogyasztana ez a mély neurális hálózat, ha egyszerre sok kamerából származó, nagy felbontású bemenetet dolgozna fel nagy képkockasebességgel.
Amikor a valószínűségi modellel különböző forgatókönyveket vizsgáltak, Sudhakar meglepődött, milyen gyorsan összeadódik az algoritmusok munkaterhelése. Ha például egy autonóm jármű 10 mély neurális hálózatot alkalmaz, amely 10 kamerából származó képet dolgoz fel, és a jármű naponta egy órán keresztül közlekedik, akkor naponta 21,6 millió következtetést fog levonni. Egymilliárd jármű 21,6 billiárd (ezer billió) következtetést vonna le. Hogy ezt perspektívába helyezzük, a Facebook összes adatközpontja világszerte naponta néhány billió következtetést von le (ne feledjük: 1 billiárd = 1000 billió).
Karaman szerint az autonóm járműveket az áruk és az emberek mozgatására is használnák, így hatalmas mennyiségű számítási teljesítményt lehetne elosztani a globális ellátási láncok mentén. És a modelljük csak a számítástechnikát veszi figyelembe, a járművek érzékelői által felhasznált energiát vagy a gyártás során keletkező kibocsátásokat pedig nem.
Ahhoz, hogy a kibocsátások ne szökjenek ki az ellenőrzés alól, a kutatók megállapították, hogy minden egyes autonóm járműnek kevesebb mint 1,2 kilowatt energiát kell fordítania a számítástechnikára. Ahhoz, hogy ez megvalósítható legyen, a hardverek hatékonyságának jelentősen gyorsabb ütemben kell növekednie, körülbelül 1,1 évente megduplázódnia.
A hatékonyság növelésének egyik módja a speciálisabb hardverek használata lehet, amelyeket speciális vezetési algoritmusok futtatására terveztek. Mivel a kutatók ismerik az autonóm vezetéshez szükséges navigációs és észlelési feladatokat, Sudhakar szerint könnyebb lenne speciális hardvert tervezni ezekre a feladatokra. A járművek azonban általában 10 vagy 20 éves élettartamúak, így a speciális hardver kifejlesztésének egyik kihívása az lenne, hogy "jövőbiztos" legyen, hogy új algoritmusokat tudjon futtatni.
A jövőben a kutatók az algoritmusokat hatékonyabbá is tehetnék, így kevesebb számítási teljesítményre lenne szükségük. Ez azonban azért is kihívást jelent, mert ha a nagyobb hatékonyságért cserébe némi pontosságot vesznek el, az a járművek biztonságát is veszélyeztetheti.
Most, hogy bemutatták ezt a keretrendszert, a kutatók folytatni szeretnék a hardverhatékonyság és az algoritmusok fejlesztését. Emellett elmondásuk szerint modelljüket tovább lehet fejleszteni az autonóm járművek megtestesült szén-dioxid-kibocsátásának - az autó gyártásakor keletkező szén-dioxid-kibocsátás - és a jármű szenzoraihoz kapcsolódó kibocsátás jellemzésével.
Bár még számos forgatókönyv van, amelyet fel kell tárni, a kutatók remélik, hogy ez a munka rávilágít egy olyan lehetséges problémára, amelyet az emberek talán nem vettek figyelembe. "Azt reméljük, hogy az emberek a kibocsátásra és a szén-dioxid-hatékonyságra mint fontos mérőszámokra fognak gondolni, amelyeket figyelembe kell venniük a tervezés során. Egy autonóm jármű energiafogyasztása valóban kritikus, nemcsak az akkumulátor élettartamának meghosszabbítása, hanem a fenntarthatóság szempontjából is" - mondta Sze.
