Fortgeschrittene Fahrerassistenzsysteme (ADAS) sind vielversprechend. Zuweilen scheinen die Schlagzeilen über die Branche der autonomen Fahrzeuge (AV) bedrohlich zu sein, wobei der Schwerpunkt auf Unfällen, Vorschriften oder Unternehmensbewertungen liegt, die manche für unverdient halten. Nichts davon ist unvernünftig, aber es lässt die erstaunlichen Möglichkeiten einer Welt von AVs undurchsichtig erscheinen.

Eine der allgemein anerkannten Vorteile von AVs sind die möglichen positiven Auswirkungen auf die Umwelt, da die meisten AVs auch Elektrofahrzeuge sein werden.

Berichte von Branchenanalysten Projekt, dass bis 2023 7.3 Millionen Fahrzeuge (7% des Gesamtmarktes) über autonome Fahrfähigkeiten verfügen werden, für die 1.5 Milliarden US-Dollar an Prozessoren für autonomes Fahren erforderlich sind. Dies wird voraussichtlich bis 14 auf 2030 Milliarden US-Dollar ansteigen, wenn mehr als 50% aller verkauften Fahrzeuge als SAE Level 3 oder höher eingestuft werden definiert von der National Highway Traffic Safety Administration (NHTSA).

Während photonische Chips schneller und energieeffizienter sind, werden weniger Chips benötigt, um SAE Level 3 zu erreichen. Wir können jedoch davon ausgehen, dass diese gesteigerte Rechenleistung die Entwicklung und Verfügbarkeit von autonomen Fahrzeugen mit SAE Level 5 beschleunigt. In diesem Fall wird der Markt für autonome photonische Prozessoren die Prognose von 14 Milliarden US-Dollar bis 2030 wahrscheinlich weit übertreffen.

Wenn Sie alle breit angelegten Einsatzmöglichkeiten autonomer Elektrofahrzeuge (AEV) berücksichtigen - einschließlich Taxis und Servicefahrzeuge in Großstädten oder den sauberen Warentransport auf unseren Autobahnen -, werden wir feststellen, wie schnell diese Technologie in erheblichem Maße eingesetzt werden kann Auswirkungen auf unsere Umwelt: indem wir dazu beitragen, saubere Luft in einige der am dichtesten besiedelten und verschmutzten Städte zu bringen.

Das Problem ist, dass AEVs derzeit ein Nachhaltigkeitsproblem haben.

Um effizient und sicher zu arbeiten, müssen AEVs eine schwindelerregende Reihe von Sensoren einsetzen: Kameras, Lidar-, Radar- und Ultraschallsensoren, um nur einige zu nennen. Diese arbeiten zusammen und sammeln Daten, um sie in Echtzeit zu erkennen, zu reagieren und vorherzusagen. Sie werden im Wesentlichen zu den „Augen“ für das Fahrzeug.

Während es einige Debatten über die spezifische Anzahl von Sensoren gibt, die erforderlich sind, um eine effektive und sichere AV zu gewährleisten, wird eines einstimmig vereinbart: Diese Autos werden riesige Datenmengen erzeugen.

Das Reagieren auf die von diesen Sensoren erzeugten Daten erfordert, selbst auf vereinfachte Weise, eine enorme Rechenleistung - ganz zu schweigen von der Batterieleistung, die zum Betreiben der Sensoren selbst erforderlich ist. Die Verarbeitung und Analyse der Daten umfasst Deep-Learning-Algorithmen, ein Zweig der KI, der für seinen übergroßen COXNUMX-Fußabdruck bekannt ist.

Um eine praktikable Alternative zu sein, sowohl in Bezug auf Energieeffizienz als auch in Bezug auf Wirtschaftlichkeit, müssen AEVs in der Nähe der Übereinstimmung mit gasbetriebenen Fahrzeugen in Reichweite sein. Je mehr Sensoren und Algorithmen ein AEV im Verlauf einer Fahrt hat, desto geringer ist jedoch die Batteriereichweite - und die Reichweite - des Fahrzeugs.

Heutzutage sind Elektrofahrzeuge kaum in der Lage, 300 Meilen zu erreichen, bevor sie wieder aufgeladen werden müssen, während ein traditioneller Verbrennungsmotor laut dem US-Energieministerium. Das Hinzufügen von autonomem Fahren in die Mischung vergrößert diese Lücke noch weiter und beschleunigt möglicherweise die Batterieverschlechterung.

Aktuelle Arbeiten in der Zeitschrift veröffentlicht Nature Energy behauptet, dass die Reichweite eines automatisierten Elektrofahrzeugs während des Fahrens in der Stadt um 10% -15% verringert wird.

Beim Tesla Autonomy Day 2019 wurde gezeigt, dass die Reichweite um bis zu 25% verringert werden kann, wenn das Fahrerassistenzsystem von Tesla während des Fahrens in der Stadt aktiviert wird. Dies reduziert die typische Reichweite für Elektrofahrzeuge von 300 Meilen auf 225 Meilen - und überschreitet eine wahrgenommene Attraktivitätsschwelle für Verbraucher.

Eine Analyse nach dem ersten Prinzip geht noch einen Schritt weiter. Die AI-Computing-Lösung von NVIDIA für Robotaxis, DRIVE, hat einen Stromverbrauch von 800 Watt, während ein Tesla Model 3 einen Energieverbrauch von etwa hat 11.9 kWh / 100 km. Bei der typischen Geschwindigkeitsbegrenzung in der Stadt von 50 km / h verbraucht das Modell 30 ungefähr 3 kW - was bedeutet, dass Strom, der ausschließlich für KI-Berechnungen vorgesehen ist, ungefähr 6% der gesamten Batterieleistung verbraucht, die für das Fahren vorgesehen ist.

Dies zeigt, wie die leistungshungrigen Computermotoren, die für automatisierte Elektrofahrzeuge verwendet werden, ein erhebliches Problem für die Batterielebensdauer, die Reichweite des Fahrzeugs und die Akzeptanz beim Verbraucher darstellen.

Dieses Problem wird durch den Stromaufwand weiter verschärft, der mit der Kühlung der aktuellen Generation der stromhungrigen Computerchips verbunden ist, die derzeit für fortschrittliche KI-Algorithmen verwendet werden. Bei der Verarbeitung schwerer KI-Workloads erzeugen diese Halbleiterchip-Architekturen enorme Wärmemengen.

Während diese Chips KI-Workloads verarbeiten, erzeugen sie Wärme, die ihre Temperatur erhöht und infolgedessen die Leistung verringert. Dann ist mehr Aufwand erforderlich und Energie wird für Kühlkörper, Lüfter und andere Kühlmethoden verschwendet, um diese Wärme abzuleiten, wodurch die Batterieleistung und letztendlich die Reichweite des Elektrofahrzeugs weiter verringert werden. Da sich die AV-Branche weiterentwickelt, sind dringend neue Lösungen erforderlich, um dieses Problem mit der Wärmeentwicklung von KI-Rechenchips zu beseitigen.

Das Problem der Chiparchitektur

Seit Jahrzehnten verlassen wir uns auf Moores Gesetz und dessen weniger bekannte Cousine Dennard-Skalierung, um Jahr für Jahr mehr Rechenleistung pro Footprint bereitzustellen. Heute ist bekannt, dass elektronische Computer die Leistung pro Watt nicht mehr wesentlich verbessern, was zu einer Überhitzung von Rechenzentren auf der ganzen Welt führt.

Die größten Gewinne beim Computing sind auf der Ebene der Chiparchitektur zu verzeichnen, insbesondere bei benutzerdefinierten Chips, die jeweils für bestimmte Anwendungen bestimmt sind. Architekturdurchbrüche sind jedoch ein einmaliger Trick - sie können nur zu bestimmten Zeitpunkten in der Computergeschichte erzielt werden.

Gegenwärtig wächst die Rechenleistung, die erforderlich ist, um Algorithmen für künstliche Intelligenz zu trainieren und Rückschlüsse auf die resultierenden Modelle zu ziehen, exponentiell - fünfmal schneller als die Fortschrittsrate nach Moores Gesetz. Eine Folge davon ist eine große Lücke zwischen dem Rechenaufwand, der erforderlich ist, um das massive wirtschaftliche Versprechen autonomer Fahrzeuge zu erfüllen, und dem aktuellen Stand des Computerbetriebs.

Autonome Elektrofahrzeuge befinden sich in einem Tauziehen zwischen der Aufrechterhaltung der Reichweite der Batterie und der Echtzeit-Rechenleistung, die für die Bereitstellung von Autonomie erforderlich ist.

Photonische Computer geben AEVs eine nachhaltigere Zukunft

Grundlegende Innovationen in der Computer- und Batterietechnologie können erforderlich sein, um das Versprechen von AEVs mit der von den Verbrauchern geforderten Reichweite, Sicherheit und Leistung vollständig zu erfüllen. Während Quantencomputer eine unwahrscheinliche kurz- oder mittelfristige Lösung für dieses AEV-Rätsel sind, gibt es eine andere, besser verfügbare Lösung, die derzeit einen Durchbruch erzielt: das photonische Rechnen.

Photonische Computer verwenden Laserlicht anstelle von elektrischen Signalen, um Daten zu berechnen und zu transportieren. Dies führt zu einer drastischen Reduzierung des Stromverbrauchs und einer Verbesserung kritischer, leistungsbezogener Prozessorparameter, einschließlich Taktrate und Latenz.

Photonische Computer ermöglichen es auch Eingaben von einer Vielzahl von Sensoren, Inferenzaufgaben gleichzeitig auf einem einzelnen Prozessorkern auszuführen (jeder Eingang ist in einer eindeutigen Farbe codiert), während ein herkömmlicher Prozessor jeweils nur einen Job aufnehmen kann.

Der Vorteil, den hybride photonische Halbleiter gegenüber herkömmlichen Architekturen haben, liegt in den besonderen Eigenschaften des Lichts selbst. Jeder Dateneingang wird in einer anderen Wellenlänge, dh Farbe, codiert, während jeder auf demselben neuronalen Netzwerkmodell ausgeführt wird. Dies bedeutet, dass photonische Prozessoren im Vergleich zu ihren elektronischen Gegenstücken nicht nur einen höheren Durchsatz erzeugen, sondern auch wesentlich energieeffizienter sind.

Photonische Computer zeichnen sich durch Anwendungen aus, die einen extremen Durchsatz mit geringer Latenz und relativ geringem Stromverbrauch erfordern - Anwendungen wie Cloud Computing und möglicherweise autonomes Fahren, bei denen die Echtzeitverarbeitung großer Datenmengen erforderlich ist.

Die photonische Computertechnologie steht kurz vor der kommerziellen Verfügbarkeit und hat das Potenzial, die aktuelle Roadmap des autonomen Fahrens zu verbessern und gleichzeitig den COXNUMX-Fußabdruck zu verringern. Es ist klar, dass das Interesse an den Vorteilen selbstfahrender Fahrzeuge zunimmt und die Nachfrage der Verbraucher unmittelbar bevorsteht.

Daher ist es für uns von entscheidender Bedeutung, nicht nur die Branchen zu berücksichtigen, die sich verändern werden, und die Sicherheit, die sie auf unsere Straßen bringen können, sondern auch die Nachhaltigkeit ihrer Auswirkungen auf unseren Planeten sicherzustellen. Mit anderen Worten, es ist Zeit, ein wenig Licht auf autonome Elektrofahrzeuge zu werfen.

Münzsmart. Beste Bitcoin-Börse in Europa
Quelle: https://techcrunch.com/2021/05/24/light-is-the-key-to-long-range-fully-autonomous-evs/