Nanomagnetisches Computing könnte den Energieverbrauch von KI drastisch senken PlatoBlockchain Data Intelligence Vertikale Suche. Ai.

Nanomagnetisches Computing könnte den Energieverbrauch von KI drastisch senken

Zeitstempel: 9. Mai 2022, 10:00 Uhr
nanomagnetische Berechnung von KI-Energie

Da das Internet der Dinge expandiert, wollen Ingenieure KI in alles einbetten, aber die dafür benötigte Energiemenge ist eine Herausforderung für die kleinsten und am weitesten entfernten Geräte. Ein neuer „nanomagnetischer“ Computeransatz könnte eine Lösung bieten.

Während die meisten AI Während sich die Entwicklung heute auf große, komplexe Modelle konzentriert, die in riesigen Rechenzentren ausgeführt werden, besteht auch eine wachsende Nachfrage nach Möglichkeiten, einfachere KI-Anwendungen auf kleineren und leistungsbeschränkteren Geräten auszuführen.

Für viele Anwendungen, von Wearables über intelligente Industriesensoren bis hin zu Drohnen, ist das Senden von Daten an Cloud-basierte KI-Systeme nicht sinnvoll. Dies kann an Bedenken hinsichtlich der Weitergabe privater Daten oder an den unvermeidlichen Verzögerungen liegen, die durch die Übertragung der Daten und das Warten auf eine Antwort entstehen.

Viele dieser Geräte sind jedoch zu klein, um die Art von Hochleistungsprozessoren aufzunehmen, die normalerweise für KI verwendet werden. Sie neigen auch dazu, mit Batterien oder Energie aus der Umwelt betrieben zu werden und können daher die hohen Leistungsanforderungen herkömmlicher Deep-Learning-Ansätze nicht erfüllen.

Dies hat zu einer wachsenden Zahl von Forschungen zu neuer Hardware und Computeransätzen geführt, die es ermöglichen, KI auf dieser Art von Systemen auszuführen. Ein Großteil dieser Arbeit hat versucht, Anleihen beim Gehirn zu machen, das zu unglaublichen Rechenleistungen fähig ist, während es die gleiche Menge an Energie wie eine Glühbirne verbraucht. Dazu gehören neuromorphe Chips, die die Verdrahtung des Gehirns nachahmen und daraus Prozessoren bauen memristoren– elektronische Bauteile, die sich wie biologische Neuronen verhalten.

Neue Forschung geführt by Wissenschaftler des Imperial College London schlagen vor, dass das Rechnen mit Netzwerken aus Nanomagneten eine vielversprechende Alternative sein könnte. In einem Krepppapier veröffentlicht letzte Woche in Natur Nanotechnologiezeigte das Team, dass es durch Anlegen von Magnetfeldern an eine Reihe winziger magnetischer Elemente das System trainieren konnte, komplexe Daten zu verarbeiten und Vorhersagen mit einem Bruchteil der Leistung eines normalen Computers zu treffen.

Im Mittelpunkt ihres Ansatzes steht ein sogenanntes Metamaterial, ein künstliches Material, dessen innere physikalische Struktur sorgfältig konstruiert wurde, um ihm ungewöhnliche Eigenschaften zu verleihen, die normalerweise nicht in der Natur zu finden sind. Insbesondere schuf das Team ein „künstliches Spin-System“, eine Anordnung vieler Nanomagnete, die zusammen ein exotisches magnetisches Verhalten zeigen.

Ihr Design besteht aus einem Gitter aus Hunderten von 600 Nanometer langen Stäben aus Permalloy, einer hochmagnetischen Nickel-Eisen-Legierung. Diese Balken sind in einem sich wiederholenden Muster von Xs angeordnet, deren Oberarme dicker sind als ihre Unterarme.

Normalerweise haben künstliche Spinsysteme eine einzige magnetische Textur, die das Magnetisierungsmuster über ihren Nanomagneten beschreibt. Das Metamaterial des imperialen Teams weist jedoch zwei unterschiedliche Texturen auf und die Fähigkeit, dass verschiedene Teile davon als Reaktion auf Magnetfelder zwischen ihnen wechseln können.

Die Forscher nutzten diese Eigenschaften, um eine Form der KI zu implementieren, die als Reservoir Computing bekannt ist. Im Gegensatz zu Deep Learning, bei dem ein neuronales Netzwerk seine Verbindungen neu verdrahtet, während es eine Aufgabe trainiert, speist dieser Ansatz Daten in ein Netzwerk ein, dessen Verbindungen alle fest sind, und trainiert einfach eine einzelne Ausgabeschicht, um zu interpretieren, was aus diesem Netzwerk kommt.

Es ist auch möglich, dieses feste Netzwerk durch physikalische Systeme zu ersetzen, einschließlich Dinge wie Memristoren oder Oszillatoren, solange sie bestimmte Eigenschaften haben, wie z. B. eine nichtlineare Reaktion auf Eingaben und eine Form der Erinnerung an frühere Eingaben. Das neue künstliche Spin-System erfüllt diese Anforderungen, daher nutzte das Team es als Reservoir, um eine Reihe von Datenverarbeitungsaufgaben durchzuführen.

Sie geben Daten in das System ein, indem sie es Sequenzen von Magnetfeldern aussetzen, bevor sie seine eigene interne Dynamik zulassen zu die Daten verarbeiten. Anschließend verwendeten sie ein bildgebendes Verfahren namens ferromagnetische Resonanz, um die endgültige Verteilung der Nanomagnete zu bestimmen, was die Antwort lieferte.

Obwohl dies keine praktischen Datenverarbeitungsaufgaben waren, konnte das Team zeigen, dass sein Gerät bei einer Reihe von Vorhersageherausforderungen mit Daten, die sich im Laufe der Zeit ändern, mit führenden Reservoir-Computing-Schemata mithalten konnte. Wichtig ist, dass sie zeigten, dass es in relativ kurzen Trainingssätzen effizient lernen konnte, was in vielen realen IoT-Anwendungen wichtig wäre.

Und nicht nur, dass das Gerät sehr klein ist, die Tatsache, dass es Magnetfelder verwendet, um Berechnungen durchzuführen, anstatt Strom herumzupendeln, bedeutet, dass es viel weniger Strom verbraucht. In eine Pressemitteilung, schätzen die Forscher, dass es bei einer Skalierung 100,000-mal effizienter sein könnte als herkömmliches Computing.

Es ist noch ein langer Weg, bis diese Art von Geräten in der Praxis eingesetzt werden kann, aber die Ergebnisse deuten darauf hin, dass auf Magneten basierende Computer eine wichtige Rolle bei der Einbettung von KI überall spielen könnten.

Bild-Kredit: Barbara Jackson / 264 Bilder

Zeitstempel:

Mehr von Singularity Hub