Computadores que alimentam carros autônomos podem ser importantes

Essa é uma descoberta importante de um novo estudo de pesquisadores do MIT que explorou o consumo potencial de energia e as emissões de carbono relacionadas se os veículos autônomos forem amplamente adotados.

Os datacenters que abrigam a infraestrutura de computação física usada para executar aplicativos são amplamente conhecidos por sua grande pegada de carbono: atualmente respondem por cerca de 0,3% das emissões globais de gases de efeito estufa, ou quase tanto carbono quanto a Argentina produz anualmente, de acordo com a Agência Internacional de Energia. Percebendo que menos atenção tem sido dada à pegada potencial dos veículos autônomos, os pesquisadores do MIT construíram um modelo estatístico para estudar o problema. Eles determinaram que 1 bilhão de veículos autônomos, cada um dirigindo por uma hora por dia com um computador consumindo 840 watts, consumiriam energia suficiente para gerar aproximadamente a mesma quantidade de emissões que os data centers atualmente.

Os pesquisadores também descobriram que em mais de 90% dos cenários modelados, para evitar que as emissões dos veículos autônomos ultrapassem as emissões atuais do data center, cada veículo deve usar menos de 1,2 quilowatts de energia para computação, o que exigiria um hardware mais eficiente. Em um cenário – onde 95% da frota global de veículos é autônoma em 2050, as cargas de trabalho computacionais dobram a cada três anos e o mundo continua a descarbonizar no ritmo atual – eles descobriram que a eficiência do hardware precisaria dobrar mais rápido do que todos os anos. 1,1 anos para manter as emissões abaixo desses níveis.

“Se apenas mantivermos as tendências habituais de descarbonização e a taxa atual de melhorias de eficiência de hardware, não parece que será suficiente para restringir as emissões da computação a bordo de veículos autônomos. Isso tem o potencial de tornou-se um problema enorme. Mas se nos anteciparmos a isso, poderíamos projetar veículos autônomos mais eficientes que tenham uma pegada de carbono menor desde o início”, diz o primeiro autor Soumya Sudhakar, estudante de pós-graduação em aeronáutica e astronáutica.

Sudhakar escreveu o artigo com seus co-orientadores Vivienne Sze, professora associada do Departamento de Engenharia Elétrica e Ciência da Computação (EECS) e membro do Laboratório de Pesquisa em Eletrônica (RLE); e Sertac Karaman, professor associado de aeronáutica e astronáutica e diretor do Laboratório de Sistemas de Informação e Decisão (LIDS). A pesquisa aparece na edição de janeiro-fevereiro da IEEE Micro.

Modelagem de emissões

Os pesquisadores construíram uma estrutura para explorar as emissões operacionais de computadores a bordo de uma frota global de veículos elétricos totalmente autônomos, o que significa que não exigem um motorista humano reserva.

O modelo é uma função do número de veículos na frota global, a potência de cada computador em cada veículo, as horas dirigidas por cada veículo e a intensidade de carbono da eletricidade que alimenta cada computador.

“Por si só, parece uma equação enganosamente simples. Mas cada uma dessas variáveis ​​contém muita incerteza porque estamos considerando um aplicativo emergente que ainda não existe”, diz Sudhakar.

Por exemplo, algumas pesquisas sugerem que a quantidade de tempo dirigido em veículos autônomos pode aumentar porque as pessoas podem realizar várias tarefas enquanto dirigem e os jovens e os idosos podem dirigir mais. Mas outras pesquisas sugerem que o tempo gasto dirigindo pode diminuir porque os algoritmos podem encontrar rotas ideais que levam as pessoas aos seus destinos mais rapidamente.

Além de considerar essas incertezas, os pesquisadores também precisavam modelar hardware e software de computação avançados que ainda não existem.

Para conseguir isso, eles modelaram a carga de trabalho de um algoritmo popular para veículos autônomos, conhecido como rede neural profunda multitarefa, porque pode executar muitas tarefas ao mesmo tempo. Eles exploraram quanta energia essa rede neural profunda consumiria se estivesse processando muitas entradas de alta resolução de muitas câmeras com altas taxas de quadros, simultaneamente.

Quando eles usaram o modelo probabilístico para explorar diferentes cenários, Sudhakar ficou surpreso com a rapidez com que a carga de trabalho dos algoritmos aumentou.

Por exemplo, se um veículo autônomo tiver 10 redes neurais profundas processando imagens de 10 câmeras e esse veículo dirigir por uma hora por dia, ele fará 21,6 milhões de inferências por dia. Um bilhão de veículos faria 21,6 quatrilhões de inferências. Para colocar isso em perspectiva, todos os data centers do Facebook em todo o mundo fazem alguns trilhões de inferências por dia (1 quatrilhão é 1.000 trilhões).

“Depois de ver os resultados, isso faz muito sentido, mas não é algo que está no radar de muitas pessoas. Esses veículos podem realmente estar usando uma tonelada de poder de computador. Eles têm uma visão de 360 ​​graus do mundo, então, enquanto nós temos dois olhos, eles podem ter 20 olhos, olhando para todos os lados e tentando entender todas as coisas que estão acontecendo ao mesmo tempo”, diz Karaman.

Veículos autônomos seriam usados ​​para transportar mercadorias, assim como pessoas, então poderia haver uma enorme quantidade de poder de computação distribuído ao longo das cadeias de suprimentos globais, diz ele. E o modelo deles considera apenas a computação – não leva em conta a energia consumida pelos sensores do veículo ou as emissões geradas durante a fabricação.

Mantendo as emissões sob controle

Para evitar que as emissões fiquem fora de controle, os pesquisadores descobriram que cada veículo autônomo precisa consumir menos de 1,2 quilowatts de energia para computação. Para que isso seja possível, o hardware de computação deve se tornar mais eficiente em um ritmo significativamente mais rápido, dobrando em eficiência a cada 1,1 anos.

Uma maneira de aumentar essa eficiência pode ser usar hardware mais especializado, projetado para executar algoritmos de direção específicos. Como os pesquisadores conhecem as tarefas de navegação e percepção necessárias para a direção autônoma, pode ser mais fácil projetar hardware especializado para essas tarefas, diz Sudhakar. Mas os veículos tendem a ter uma vida útil de 10 ou 20 anos, então um desafio no desenvolvimento de hardware especializado seria “à prova de futuro” para que ele possa executar novos algoritmos.

No futuro, os pesquisadores também poderiam tornar os algoritmos mais eficientes, para que precisassem de menos poder de computação. No entanto, isso também é um desafio porque trocar alguma precisão por mais eficiência pode prejudicar a segurança do veículo.

Agora que demonstraram essa estrutura, os pesquisadores querem continuar explorando a eficiência do hardware e as melhorias no algoritmo. Ademais, eles dizem que seu modelo pode ser aprimorado caracterizando o carbono incorporado de veículos autônomos – as emissões de carbono geradas quando um carro é fabricado – e as emissões dos sensores de um veículo.

Embora ainda existam muitos cenários a serem explorados, os pesquisadores esperam que este trabalho lance luz sobre um problema potencial que as pessoas podem não ter considerado.

“Esperamos que as pessoas pensem em emissões e eficiência de carbono como métricas importantes a serem consideradas em seus projetos. O consumo de energia de um veículo autônomo é realmente crítico, não apenas para prolongar a vida útil da bateria, mas também para a sustentabilidade”, diz Sze.

Esta pesquisa foi financiada, em parte, pela National Science Foundation e pelo MIT-Accenture Fellowship.