Nanomagnetisk databehandling kan drastisk redusere AIs energibruk

Etter hvert som tingenes internett utvides, ønsker ingeniører å bygge inn AI i alt, men mengden energi det krever er en utfordring for de minste og mest avsidesliggende enhetene. En ny "nanomagnetisk" databehandlingsmetode kan gi en løsning.

Mens de fleste AI Utviklingen i dag er fokusert på store, komplekse modeller som kjører i enorme datasentre, det er også økende etterspørsel etter måter å kjøre enklere AI-applikasjoner på mindre og mer strømbegrensede enheter.

For mange applikasjoner, fra wearables til smarte industrielle sensorer til droner, gir det ikke mening å sende data til skybaserte AI-systemer. Det kan skyldes bekymring for deling av private data, eller de uunngåelige forsinkelsene som kommer fra overføring av data og venting på svar.

Men mange av disse enhetene er for små til å huse den typen kraftige prosessorer som vanligvis brukes for AI. De har også en tendens til å kjøre på batterier eller energi høstet fra miljøet, og kan derfor ikke møte de krevende kraftkravene til konvensjonelle dyplæringsmetoder.

Dette har ført til en voksende mengde forskning på ny maskinvare og datatilnærminger som gjør det mulig å kjøre AI på denne typen systemer. Mye av dette arbeidet har forsøkt å låne fra hjernen, som er i stand til utrolige databedrifter samtidig som den bruker samme mengde strøm som en lyspære. Disse inkluderer nevromorfe brikker som etterligner ledningene til hjernen og prosessorer bygget fra memristorer-elektroniske komponenter som oppfører seg som biologiske nevroner.

Ny forskning ledet by forskere fra Imperial College London antyder at databehandling med nettverk av nanoskalamagneter kan være et lovende alternativ. I en papir publisert forrige uke i Natur Nanoteknologi, viste teamet at ved å bruke magnetiske felt på en rekke små magnetiske elementer, kunne de trene systemet til å behandle komplekse data og gi spådommer ved å bruke en brøkdel av kraften til en vanlig datamaskin.

I hjertet av deres tilnærming er det som er kjent som et metamateriale, et menneskeskapt materiale hvis indre fysiske struktur er nøye konstruert for å gi det uvanlige egenskaper som vanligvis ikke finnes i naturen. Spesielt laget laget et "kunstig spinnsystem", et arrangement av mange nanomagneter som kombineres for å vise eksotisk magnetisk oppførsel.

Designet deres består av et gitter av hundrevis av 600 nanometer lange stenger av permalloy, en svært magnetisk nikkel-jernlegering. Disse stolpene er arrangert i et repeterende mønster av X-er hvis overarmer er tykkere enn underarmene.

Normalt har kunstige spinnsystemer en enkelt magnetisk tekstur, som beskriver magnetiseringsmønsteret over nanomagnetene. Men det keiserlige teamets metamateriale har to distinkte teksturer og muligheten for forskjellige deler av det til å bytte mellom dem som svar på magnetiske felt.

Forskerne brukte disse egenskapene til å implementere en form for AI kjent som reservoardatabehandling. I motsetning til dyp læring, der et nevralt nettverk kobler om tilkoblingene sine mens det trener på en oppgave, mater denne tilnærmingen data inn i et nettverk hvis tilkoblinger alle er faste og trener ganske enkelt et enkelt utgangslag for å tolke hva som kommer ut av dette nettverket.

Det er også mulig å erstatte dette faste nettverket med fysiske systemer, inkludert ting som memristorer eller oscillatorer, så lenge de har visse egenskaper, for eksempel en ikke-lineær respons på innganger og en eller annen form for minne av tidligere innganger. Det nye kunstige spinnsystemet oppfyller disse kravene, så teamet brukte det som et reservoar for å utføre en rekke databehandlingsoppgaver.

De legger inn data til systemet ved å utsette det for sekvenser av magnetiske felt før de tillater sin egen interne dynamikk til behandle dataene. De brukte deretter en bildeteknikk kalt ferromagnetisk resonans for å bestemme den endelige fordelingen av nanomagnetene, som ga svaret.

Selv om dette ikke var praktiske databehandlingsoppgaver, var teamet i stand til å vise at enheten deres var i stand til å matche ledende reservoardatabehandlingsopplegg på en rekke prediksjonsutfordringer som involverer data som varierer over tid. Viktigere, de viste at den var i stand til å lære effektivt på ganske korte treningssett, noe som ville være viktig i mange virkelige IoT-applikasjoner.

Og ikke bare er enheten veldig liten, det faktum at den bruker magnetiske felt til å utføre beregninger i stedet for å skyte elektrisitet rundt betyr at den bruker langt mindre strøm. I en pressemelding, anslår forskerne at når den skaleres opp kan den være 100,000 XNUMX ganger mer effektiv enn konvensjonell databehandling.

Det er en lang vei å gå før denne typen enheter kan tas i bruk i praksis, men resultatene tyder på at datamaskiner basert på magneter kan spille en viktig rolle i å bygge inn AI overalt.

Bilde Credit: BarbaraJackson / 264 bilder

• Myntsmart. Europas beste Bitcoin og Crypto Exchange.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
• CryptoHawk. Altcoin Radar. Gratis prøveperiode.
• Kilde: https://singularityhub.com/2022/05/09/nanomagnetic-computing-could-drastically-cut-ais-energy-use/