Los sistemas avanzados de asistencia al conductor (ADAS) son muy prometedores. A veces, los titulares sobre la industria de los vehículos autónomos (AV) parecen siniestros, con un enfoque en los accidentes, la regulación o las valoraciones de empresas que algunos encuentran inmerecidas. Nada de esto es irrazonable, pero hace que las asombrosas posibilidades de un mundo de AV parezcan opacas.
Una de las ventajas universalmente aceptadas de los vehículos autónomos es el posible impacto positivo en el medio ambiente, ya que la mayoría de los vehículos autónomos también serán vehículos eléctricos (EV).
Informes de analistas de la industria proyectan que para 2023, 7.3 millones de vehículos (7% del mercado total) tendrán capacidades de conducción autónoma que requerirán $ 1.5 mil millones de procesadores dedicados a conducción autónoma. Se espera que aumente a $ 14 mil millones en 2030, cuando más del 50% de todos los vehículos vendidos se clasificarán como SAE Nivel 3 o superior, como definido por la Administración Nacional de Seguridad del Tráfico en las Carreteras (NHTSA).
Es posible que se requiera una innovación fundamental en tecnología informática y de baterías para cumplir plenamente la promesa de los AEV con el alcance, la seguridad y el rendimiento que exigen los consumidores.
Si bien los chips fotónicos son más rápidos y energéticamente más eficientes, se necesitarán menos chips para alcanzar el nivel SAE 3; sin embargo, podemos esperar que este mayor rendimiento informático acelere el desarrollo y la disponibilidad de vehículos autónomos de nivel 5 totalmente SAE. En ese caso, el mercado de procesadores fotónicos de conducción autónoma probablemente superará con creces la proyección de 14.000 millones de dólares para 2030.
Cuando se consideran todos los usos potenciales de amplia base de los vehículos eléctricos autónomos (AEV), incluidos los taxis y los vehículos de servicio en las principales ciudades, o el transporte limpio de mercancías en nuestras carreteras, comenzamos a ver cómo esta tecnología puede comenzar rápidamente a ser significativa. impactar nuestro medio ambiente: ayudando a llevar aire limpio a algunas de las ciudades más pobladas y contaminadas.
El problema es que los AEV actualmente tienen un problema de sostenibilidad.
Para operar de manera eficiente y segura, los AEV deben aprovechar una increíble variedad de sensores: cámaras, lidar, radar y sensores ultrasónicos, por nombrar solo algunos. Estos trabajan juntos, recopilando datos para detectar, reaccionar y predecir en tiempo real, convirtiéndose esencialmente en los “ojos” del vehículo.
Si bien existe cierto debate en torno a la cantidad específica de sensores necesarios para garantizar un AV eficaz y seguro, una cosa se acordó unánimemente: estos automóviles crearán cantidades masivas de datos.
Reaccionar a los datos generados por estos sensores, incluso de una manera simplista, requiere una enorme potencia computacional, sin mencionar la energía de la batería requerida para operar los propios sensores. El procesamiento y análisis de los datos implica algoritmos de aprendizaje profundo, una rama de la inteligencia artificial conocida por su enorme huella de carbono.
Para ser una alternativa viable, tanto en eficiencia energética como en economía, los AEV deben acercarse a los vehículos que funcionan con gasolina en el rango. Sin embargo, cuantos más sensores y algoritmos tenga funcionando un AEV en el transcurso de un viaje, menor será la autonomía de la batería y la autonomía del vehículo.
Hoy en día, los vehículos eléctricos apenas pueden alcanzar las 300 millas antes de que deban recargarse, mientras que un motor de combustión tradicional tiene un promedio de 412 millas con un solo tanque de gasolina, según el Departamento de Energía de EE. UU.. Agregar la conducción autónoma a la mezcla amplía esta brecha aún más y potencialmente acelera la degradación de la batería.
Trabajo reciente publicado en la revista Energía de la naturaleza afirma que la autonomía de un vehículo eléctrico automatizado se reduce entre un 10% y un 15% durante la conducción en ciudad.
En el evento del Día de la Autonomía Tesla de 2019, se reveló que el rango de conducción podría reducirse hasta en un 25% cuando el sistema de asistencia al conductor de Tesla está habilitado durante la conducción en la ciudad. Esto reduce el rango típico de los vehículos eléctricos de 300 millas a 225, cruzando un umbral percibido de atractivo para los consumidores.
Un análisis del primer principio lleva esto un paso más allá. La solución de cómputo de IA de NVIDIA para robotaxis, DRIVE, tiene un consumo de energía de 800 vatios, mientras que un Tesla Model 3 tiene una tasa de consumo de energía de aproximadamente 11,9 kWh / 100 km. En el límite de velocidad típico de la ciudad de 50 km / hora (aproximadamente 30 mph), el Model 3 consume aproximadamente 6 kW, lo que significa que la energía dedicada exclusivamente a la computación de IA consume aproximadamente el 13% de la energía total de la batería destinada a la conducción.
Esto ilustra cómo los motores de cómputo que consumen mucha energía y que se utilizan para los vehículos eléctricos automatizados plantean un problema importante para la duración de la batería, el alcance del vehículo y la adopción por parte del consumidor.
Este problema se agrava aún más por la sobrecarga de energía asociada con el enfriamiento de la generación actual de chips de computadora hambrientos de energía que se utilizan actualmente para algoritmos avanzados de IA. Al procesar cargas de trabajo pesadas de IA, estas arquitecturas de chips semiconductores generan cantidades masivas de calor.
A medida que estos chips procesan cargas de trabajo de IA, generan calor, lo que aumenta su temperatura y, como consecuencia, disminuye el rendimiento. Entonces se necesita más esfuerzo y se desperdicia energía en disipadores de calor, ventiladores y otros métodos de enfriamiento para disipar este calor, lo que reduce aún más la energía de la batería y, en última instancia, el rango de los vehículos eléctricos. A medida que la industria AV continúa evolucionando, se necesitan con urgencia nuevas soluciones para eliminar este problema de calor del chip de cómputo de IA.
El problema de la arquitectura del chip
Durante décadas, nos hemos basado en la ley de Moore y en el escalado de su primo menos conocido Dennard, para ofrecer más potencia de cómputo por huella repetidamente año tras año. Hoy en día, es bien sabido que las computadoras electrónicas ya no mejoran significativamente el rendimiento por vatio, lo que genera un sobrecalentamiento de los centros de datos en todo el mundo.
Las mayores ganancias que se pueden obtener en informática se encuentran en el nivel de arquitectura de chip, específicamente en chips personalizados, cada uno para aplicaciones específicas. Sin embargo, los avances arquitectónicos son un truco único: solo se pueden realizar en momentos singulares en la historia de la informática.
Actualmente, la potencia de cálculo requerida para entrenar algoritmos de inteligencia artificial y realizar inferencias con los modelos resultantes está creciendo exponencialmente, cinco veces más rápido que la tasa de progreso según la ley de Moore. Una consecuencia de eso es una gran brecha entre la cantidad de computación necesaria para cumplir la enorme promesa económica de los vehículos autónomos y el estado actual de la computación.
Los vehículos eléctricos autónomos se encuentran en un tira y afloja entre mantener el alcance de la batería y la potencia informática en tiempo real necesaria para ofrecer autonomía.
Las computadoras fotónicas brindan a los AEV un futuro más sostenible
Es posible que se requiera una innovación fundamental en tecnología informática y de baterías para cumplir plenamente la promesa de los AEV con el alcance, la seguridad y el rendimiento que exigen los consumidores. Si bien las computadoras cuánticas son una solución poco probable a corto o incluso a mediano plazo para este enigma de AEV, hay otra solución más disponible que está haciendo un gran avance en este momento: la computación fotónica.
Las computadoras fotónicas usan luz láser, en lugar de señales eléctricas, para calcular y transportar datos. Esto da como resultado una reducción drástica en el consumo de energía y una mejora en los parámetros críticos del procesador relacionados con el rendimiento, incluida la velocidad del reloj y la latencia.
Las computadoras fotónicas también permiten que las entradas de una multitud de sensores ejecuten tareas de inferencia simultáneamente en un solo núcleo de procesador (cada entrada codificada en un color único), mientras que un procesador tradicional solo puede acomodar un trabajo a la vez.
La ventaja que tienen los semiconductores fotónicos híbridos sobre las arquitecturas convencionales radica en las propiedades especiales de la propia luz. Cada entrada de datos se codifica en una longitud de onda diferente, es decir, en color, mientras que cada una se ejecuta en el mismo modelo de red neuronal. Esto significa que los procesadores fotónicos no solo producen un mayor rendimiento en comparación con sus homólogos electrónicos, sino que son significativamente más eficientes energéticamente.
Las computadoras fotónicas se destacan en aplicaciones que requieren un rendimiento extremo con baja latencia y un consumo de energía relativamente bajo: aplicaciones como computación en la nube y, potencialmente, conducción autónoma, donde se requiere el procesamiento en tiempo real de grandes cantidades de datos.
La tecnología de computación fotónica está a punto de estar disponible comercialmente y tiene el potencial de potenciar la hoja de ruta actual de la conducción autónoma al tiempo que reduce su huella de carbono. Está claro que el interés en los beneficios de los vehículos autónomos está aumentando y la demanda de los consumidores es inminente.
Por lo tanto, es crucial para nosotros no solo considerar las industrias que transformará y la seguridad que puede traer a nuestras carreteras, sino también garantizar la sostenibilidad de su impacto en nuestro planeta. En otras palabras, es hora de arrojar un poco de luz sobre los vehículos eléctricos autónomos.