Gépi tanulást energiafogyasztásra vonatkozó döntéshozásra használó kerettel akár hatvan százalékkal csökkenthető az energiahasználat, miközben a nagy szerverekben és szuperszámítógépeknél világszerte alkalmazott többmagos processzorokban nem romlik a számítási teljesítmény.

A Washington Állami Egyetem és az Intel közös fejlesztése hatékonyabb számításokhoz vezethet, ami különösen a globális üvegházhatású gázok kibocsátásának egy százalékáért felelős nagy adatközpontok számára jó hír.

Gépitanulás-algoritmusokkal, a feszültség- és frekvenciaszinteket egy nagy, hatvannégy magos számítógép-processzor klasztereihez kiválasztva, igyekeztek kezelni az energiafogyasztást. A keret erősen optimalizált módszerekkel tanulta meg kezelni a fogyasztást, és mivel skálázható, még nagyobb sokmagos processzorokra is alkalmazható (teljesítmény-csökkenés nélkül).

Más módszerekkel is próbálták a processzorok feszültségét és frekvenciáit vezérelni, de az új gépitanulás-algoritmussal jobb teljesítményt értek el. Ha van a feszültséget és a frekvenciát hangoló döntéshozás-stratégiánk, tudnunk kell, hogy az mikor a legoptimálisabb, a fogyasztás csökkenése mikor nem megy a teljesítmény kárára.

Ha sejtjük, hogy a döntés jó, és formális értelemben is majdnem biztosak vagyunk benne, akkor – ilyen helyzetekben – már semmiféle kiegészítő tanulást  nem akarunk.

Ha a gépitanulás-algoritmus az egyedi helyzetben meghozandó pontos döntésre vonatkozó kétértelműséget csökkenti, akkor hatékonyan kereshet alternatívákat, például használat- és teljesítménymodelleket, hogy ellentétes lehetőségek kicsi adatsorában is kitalálja a legjobb opciót.

A kutatók elmondták, hogy a hasznos tréningpélda után folyamatosan javíthatják a jövő döntéshozó stratégiáját. Algoritmusuk akár ötszáz-ezer magos, monumentális processzorokkal, de kicsi beágyazott rendszerekkel is működik, és így eljöhet az idő, amikor kézi eszközök közel szerverléptékű teljesítményre, a mai szerverek energiafogyasztása nélkül lesznek képesek.