Obliczenia nanomagnetyczne mogą drastycznie zmniejszyć zużycie energii przez sztuczną inteligencję

Wraz z rozwojem Internetu Rzeczy inżynierowie chcą wbudować sztuczną inteligencję we wszystko, ale ilość potrzebnej do tego energii jest wyzwaniem dla najmniejszych i najbardziej oddalonych urządzeń. Rozwiązaniem może być nowe, „nanomagnetyczne” podejście do obliczeń.

Podczas gdy większość AI rozwój obecnie koncentruje się na dużych, złożonych modelach działających w ogromnych centrach danych, rośnie również zapotrzebowanie na sposoby uruchamiania prostszych aplikacji AI na mniejszych i bardziej ograniczonych urządzeniach.

W przypadku wielu zastosowań, od urządzeń do noszenia, inteligentnych czujników przemysłowych po drony, przesyłanie danych do systemów sztucznej inteligencji opartych na chmurze nie ma sensu. Może to wynikać z obaw o udostępnianie prywatnych danych lub z nieuniknionych opóźnień wynikających z przesyłania danych i oczekiwania na odpowiedź.

Jednak wiele z tych urządzeń jest zbyt małych, aby pomieścić procesory o dużej mocy zwykle używane w sztucznej inteligencji. Mają również tendencję do działania na bateriach lub energii pozyskiwanej ze środowiska, a zatem nie mogą sprostać wysokim wymaganiom energetycznym konwencjonalnych metod uczenia głębokiego.

Doprowadziło to do rosnącej liczby badań nad nowym sprzętem i podejściami obliczeniowymi, które umożliwiają uruchamianie sztucznej inteligencji w tego rodzaju systemach. Wiele z tych prac starało się zapożyczyć z mózgu, który jest zdolny do niesamowitych wyczynów obliczeniowych przy użyciu tej samej ilości energii, co żarówka. Należą do nich chipy neuromorficzne, które naśladują okablowanie mózgu i procesory zbudowane z memrystory— elementy elektroniczne, które zachowują się jak neurony biologiczne.

Nowe badania prowadzone by naukowcy z Imperial College London sugerują, że obliczenia za pomocą sieci magnesów w nanoskali mogą być obiecującą alternatywą. W papier opublikowany w zeszłym tygodniu w Natura Nanotechnologiazespół wykazał, że poprzez zastosowanie pól magnetycznych do szeregu maleńkich elementów magnetycznych może nauczyć system przetwarzania złożonych danych i dostarczania prognoz przy użyciu ułamka mocy zwykłego komputera.

W centrum ich podejścia znajduje się tak zwany metamateriał, materiał stworzony przez człowieka, którego wewnętrzna struktura fizyczna została starannie zaprojektowana, aby nadać mu niezwykłe właściwości, które normalnie nie występują w naturze. W szczególności zespół stworzył „sztuczny układ spinowy”, układ wielu nanomagnesów, które łączą się, aby wykazywać egzotyczne zachowanie magnetyczne.

Ich konstrukcja składa się z sieci składającej się z setek 600-nanometrowych sztabek permaloju, wysoce magnetycznego stopu niklowo-żelaznego. Te paski są ułożone w powtarzający się wzór X, których ramiona są grubsze niż ich przedramiona.

Zwykle sztuczne układy spinowe mają pojedynczą teksturę magnetyczną, która opisuje wzór namagnesowania na nanomagnesach. Ale metamateriał zespołu imperialnego ma dwie różne tekstury i zdolność różnych jego części do przełączania się między nimi w odpowiedzi na pola magnetyczne.

Naukowcy wykorzystali te właściwości do wdrożenia formy sztucznej inteligencji znanej jako przetwarzanie rezerwuarowe. W przeciwieństwie do głębokiego uczenia, w którym sieć neuronowa ponownie łączy swoje połączenia podczas uczenia się zadania, to podejście przekazuje dane do sieci, której wszystkie połączenia są stałe, i po prostu trenuje pojedynczą warstwę wyjściową, aby zinterpretować, co wychodzi z tej sieci.

Możliwe jest również zastąpienie tej stałej sieci systemami fizycznymi, w tym takimi rzeczami jak memrystory lub oscylatory, o ile mają one określone właściwości, takie jak nieliniowa reakcja na dane wejściowe i pewna forma pamięci poprzednich danych wejściowych. Nowy system sztucznego wirowania spełnia te wymagania, więc zespół wykorzystał go jako rezerwuar do wykonania szeregu zadań związanych z przetwarzaniem danych.

Wprowadzają dane do systemu, poddając go sekwencjom pól magnetycznych, zanim pozwolą na jego własną wewnętrzną dynamikę do przetwarzać dane. Następnie wykorzystali technikę obrazowania zwaną rezonansem ferromagnetycznym, aby określić ostateczny rozkład nanomagnesów, który dostarczył odpowiedzi.

Chociaż nie były to praktyczne zadania związane z przetwarzaniem danych, zespół był w stanie wykazać, że ich urządzenie było w stanie dopasować wiodące schematy obliczeniowe zbiorników do szeregu wyzwań predykcyjnych obejmujących dane, które zmieniają się w czasie. Co ważne, wykazali, że jest w stanie efektywnie uczyć się na dość krótkich zestawach szkoleniowych, co miałoby znaczenie w wielu rzeczywistych zastosowaniach IoT.

Urządzenie jest nie tylko bardzo małe, ale fakt, że wykorzystuje pola magnetyczne do wykonywania obliczeń, a nie transportuje elektryczność, oznacza, że ​​zużywa znacznie mniej energii. W informacja prasowa, naukowcy szacują, że po przeskalowaniu może być 100,000 XNUMX razy bardziej wydajny niż przetwarzanie konwencjonalne.

Przed praktycznym zastosowaniem tego rodzaju urządzenia jeszcze długa droga, ale wyniki sugerują, że komputery oparte na magnesach mogą odgrywać ważną rolę we wdrażaniu sztucznej inteligencji wszędzie.

Kredytowych Image: sylwia / 264 zdjęć

• Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
• CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
• Źródło: https://singularityhub.com/2022/05/09/nanomagnetic-computing-could-drastically-cut-ais-energy-use/