ARM quiere cambiar la Ley de Moore estableciendo el rendimiento por vatio como medida de la evolución en tecnología

ARM quiere cambiar la Ley de Moore. Dado que el paradigma de computación tal como lo conocemos está cambiando, en la compañía consideran que lo que establece la Ley de Moore como medida de la evolución en el sector de la tecnología ya no puede aplicarse, y prefiere que se establezca el rendimiento por vatio como una nueva medida e indicador de la evolución tecnológica. Así lo apunta el Director de Tecnología de ARM, Rob Aitken, en un post en el blog de la compañía.

Según Aitken, desde los primeros tiempos del sector hasta ahora se ha registrado un ingente aumento en un área: la densidad de los transistores. De acuerdo con la Ley de Moore, que establece que la cantidad de transistores en un microprocesador se dobla cada dos años más o menos, vemos mejoras continuas en el rendimiento de nuestros dispositivos. Esto ha sido así hasta hace pocos años, cuando empezó a verse claramente que la Ley de Moore empezaba a quedarse obsoleta.

No obstante, los procesadores de los semiconductores, que cada vez son más pequeños y caben más en el mismo espacio, solo pueden llegar a reducirse hasta cierto punto, y llega un punto en el que es imposible hacerlos más diminutos. ARM sugiere que ya que estamos en el límite, es decir, en un punto en el que el diseño moderno está tomando un peso importante en el proceso creativo, y que quizá es el momento de tener en cuenta otros factores como medida para la Ley de Moore. Como la eficiencia computacional y el rendimiento por vatio.

ARM apunta que el rendimiento por vatio es un nuevo paradigma que se impondrá poco a poco, dado que los diseños modernos de chips consideran ya la eficiencia computacional como uno de los factores primarios para una mejora mayor. A medida que los diseños se hacen más grandes y más complejos, pueden hacerse también menos eficientes, y que para conseguir diseños mejores, los ingenieros deben tener como objetivo un punto de rendimiento determinado, al mismo tiempo que emplean la menor energía como sea posible.

Así, Rob Aitken señala que «la optimización de cargas de trabajo para capitalizar el procesado de ultra baja energía está consiguiendo también tracción a través de movimientos como TinyML, que se centra en la optimización de cargas de trabajo de machine learning, y que les permite funcionar solo con milivatios de potencia. El rendimiento por vario debe convertirse en el nuevo paradigma, guiando las hojas de ruta de productos que extraen una cantidad de rendimiento que va en aumento de una envolvente de potencia que cada vez es más baja«.