sub-kvadratiske teknikker kan redusere karbonavtrykket fra AI med 20 %.

Sub-kvadratiske systemer er designet for å håndtere økende inngangsstørrelser jevnere enn tradisjonelle metoder. I motsetning til kvadratiske systemer med en kompleksitet på O(n²), sub-kvadratiske systemer arbeider mindre tid og med færre ressurser ettersom input vokser. I hovedsak handler de om å forbedre effektiviteten og fremskynde AI-prosesser.

Mange AI-beregninger, spesielt innen dyp læring, involverer matriseoperasjoner. For eksempel, multiplisere to matriser har vanligvis en O(n³) tidskompleksitet. Imidlertid innovative teknikker som sparsom matrisemultiplikasjon og strukturerte matriser som Monarkmatriser er utviklet for å redusere denne kompleksiteten. Sparsom matrisemultiplikasjon (Sparse Matrix Multiplication) fokuserer på de mest essensielle elementene og ignorerer resten (f.eks. hele rader som bare skal ganges med 0), noe som reduserer antallet beregninger som trengs betydelig. Disse systemene muliggjør raskere modellopplæring og inferens, og gir et rammeverk for å bygge AI-modeller som kan håndtere større datasett og mer komplekse oppgaver uten å kreve overdrevne beregningsressurser.