A computação nanomagnética pode reduzir drasticamente o uso de energia da IA

À medida que a Internet das Coisas se expande, os engenheiros querem incorporar a IA em tudo, mas a quantidade de energia necessária é um desafio para os dispositivos menores e mais remotos. Uma nova abordagem de computação “nanomagnética” poderia fornecer uma solução.

Enquanto a maioria AI o desenvolvimento de hoje está focado em modelos grandes e complexos executados em grandes data centers, também há uma demanda crescente por maneiras de executar aplicativos de IA mais simples em dispositivos menores e com mais consumo de energia.

Para muitas aplicações, de wearables a sensores industriais inteligentes e drones, o envio de dados para sistemas de IA baseados em nuvem não faz sentido. Isso pode ser devido a preocupações com o compartilhamento de dados privados ou os inevitáveis ​​atrasos decorrentes da transmissão dos dados e da espera por uma resposta.

Mas muitos desses dispositivos são pequenos demais para abrigar o tipo de processadores de alta potência normalmente usados ​​para IA. Eles também tendem a funcionar com baterias ou energia coletada do ambiente e, portanto, não podem atender aos exigentes requisitos de energia das abordagens convencionais de aprendizado profundo.

Isso levou a um crescente corpo de pesquisas sobre novas abordagens de hardware e computação que possibilitam a execução de IA nesses tipos de sistemas. Grande parte desse trabalho buscou emprestar do cérebro, que é capaz de feitos incríveis de computação enquanto usa a mesma quantidade de energia de uma lâmpada. Estes incluem chips neuromórficos que imitam a fiação do cérebro e processadores construídos a partir de memristores— componentes eletrônicos que se comportam como neurônios biológicos.

Nova pesquisa liderada by cientistas do Imperial College London sugerem que a computação com redes de ímãs em nanoescala pode ser uma alternativa promissora. Em um papel publicado na semana passada em Nature Nanotechnology, a equipe mostrou que, aplicando campos magnéticos a uma matriz de minúsculos elementos magnéticos, eles poderiam treinar o sistema para processar dados complexos e fornecer previsões usando uma fração da potência de um computador normal.

No centro de sua abordagem está o que é conhecido como metamaterial, um material feito pelo homem cuja estrutura física interna é cuidadosamente projetada para fornecer propriedades incomuns normalmente não encontradas na natureza. Em particular, a equipe criou um “sistema de rotação artificial”, um arranjo de muitos nanoímãs que se combinam para exibir um comportamento magnético exótico.

Seu design é composto por uma rede de centenas de barras de permalloy de 600 nanômetros de comprimento, uma liga de níquel-ferro altamente magnética. Essas barras são dispostas em um padrão repetido de Xs cujos braços superiores são mais grossos que seus braços inferiores.

Normalmente, os sistemas de spin artificial têm uma única textura magnética, que descreve o padrão de magnetização em seus nanoímãs. Mas o metamaterial da equipe Imperial apresenta duas texturas distintas e a capacidade de diferentes partes dele alternarem entre elas em resposta a campos magnéticos.

Os pesquisadores usaram essas propriedades para implementar uma forma de IA conhecida como computação de reservatório. Ao contrário do aprendizado profundo, no qual uma rede neural reconecta suas conexões à medida que treina em uma tarefa, essa abordagem alimenta dados em uma rede cujas conexões são todas fixas e simplesmente treina uma única camada de saída para interpretar o que sai dessa rede.

Também é possível substituir essa rede fixa por sistemas físicos, incluindo coisas como memristores ou osciladores, desde que tenham certas propriedades, como uma resposta não linear a entradas e alguma forma de memória de entradas anteriores. O novo sistema de rotação artificial atende a esses requisitos, então a equipe o usou como reservatório para realizar uma série de tarefas de processamento de dados.

Eles inserem dados no sistema submetendo-o a sequências de campos magnéticos antes de permitir sua própria dinâmica interna para processar os dados. Eles então usaram uma técnica de imagem chamada ressonância ferromagnética para determinar a distribuição final dos nanoímãs, que forneceu a resposta.

Embora essas não fossem tarefas práticas de processamento de dados, a equipe conseguiu mostrar que seu dispositivo foi capaz de corresponder aos principais esquemas de computação de reservatórios em uma série de desafios de previsão envolvendo dados que variam ao longo do tempo. É importante ressaltar que eles mostraram que era capaz de aprender com eficiência em conjuntos de treinamento bastante curtos, o que seria importante em muitos aplicativos de IoT do mundo real.

Além de o dispositivo ser muito pequeno, o fato de usar campos magnéticos para realizar a computação em vez de transportar eletricidade significa que consome muito menos energia. Dentro um comunicado de imprensa, os pesquisadores estimam que, quando ampliado, pode ser 100,000 vezes mais eficiente do que a computação convencional.

Há um longo caminho a percorrer antes que esse tipo de dispositivo possa ser colocado em uso prático, mas os resultados sugerem que computadores baseados em ímãs podem desempenhar um papel importante na incorporação de IA em todos os lugares.

Crédito de imagem: Barbara Jackson / 264 imagens

• Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. ACESSO LIVRE.
• CryptoHawk. Radar Altcoin. Teste grátis.
• Fonte: https://singularityhub.com/2022/05/09/nanomagnetic-computing-could-drasticamente-cut-ais-energy-use/