Nanomagnetisk datoranvändning kan drastiskt minska AI:s energianvändning

När Internet of Things expanderar vill ingenjörer bädda in AI i allt, men mängden energi som det kräver är en utmaning för de minsta och mest avlägsna enheterna. En ny "nanomagnetisk" datoransats kan ge en lösning.

Medan de flesta AI Utvecklingen idag är fokuserad på stora, komplexa modeller som körs i enorma datacenter, det finns också en växande efterfrågan på sätt att köra enklare AI-applikationer på mindre och mer kraftbegränsade enheter.

För många applikationer, från bärbara enheter till smarta industriella sensorer till drönare, är det inte meningsfullt att skicka data till molnbaserade AI-system. Det kan bero på oro för att dela privata data, eller de oundvikliga förseningarna som kommer från att överföra data och vänta på ett svar.

Men många av dessa enheter är för små för att hysa den typ av kraftfulla processorer som normalt används för AI. De tenderar också att drivas på batterier eller energi som hämtas från miljön, och kan därför inte uppfylla de krävande effektkraven för konventionella metoder för djupinlärning.

Detta har lett till en växande mängd forskning om ny hårdvara och beräkningsmetoder som gör det möjligt att köra AI på den här typen av system. Mycket av detta arbete har försökt låna från hjärnan, som är kapabel till otroliga datorprestationer samtidigt som den använder samma mängd ström som en glödlampa. Dessa inkluderar neuromorfa chips som efterliknar ledningarna i hjärnan och processorer byggda av memristorer—elektroniska komponenter som beter sig som biologiska neuroner.

Ny forskning ledd by forskare från Imperial College London föreslår att datoranvändning med nätverk av nanoskalamagneter kan vara ett lovande alternativ. I en papper publicerades förra veckan i Natur nanoteknik, visade teamet att genom att applicera magnetiska fält på en rad små magnetiska element kunde de träna systemet att bearbeta komplexa data och ge förutsägelser med en bråkdel av kraften hos en vanlig dator.

Kärnan i deras tillvägagångssätt är vad som kallas ett metamaterial, ett konstgjort material vars inre fysiska struktur är noggrant konstruerad för att ge det ovanliga egenskaper som normalt inte finns i naturen. I synnerhet skapade teamet ett "artificiellt spinnsystem", ett arrangemang av många nanomagneter som kombineras för att uppvisa exotiskt magnetiskt beteende.

Deras design består av ett gitter av hundratals 600 nanometer långa stänger av permalloy, en högmagnetisk nickel-järnlegering. Dessa staplar är arrangerade i ett upprepande mönster av X vars överarmar är tjockare än deras underarmar.

Normalt har artificiella spinnsystem en enda magnetisk textur, som beskriver magnetiseringsmönstret över dess nanomagneter. Men det kejserliga teamets metamaterial har två distinkta texturer och förmågan för olika delar av det att växla mellan dem som svar på magnetfält.

Forskarna använde dessa egenskaper för att implementera en form av AI som kallas reservoarberäkning. Till skillnad från djupinlärning, där ett neuralt nätverk kopplar om sina anslutningar när det tränar på en uppgift, matar detta tillvägagångssätt data till ett nätverk vars anslutningar alla är fasta och tränar helt enkelt ett enda utdatalager för att tolka vad som kommer ut ur detta nätverk.

Det är också möjligt att ersätta detta fasta nätverk med fysiska system, inklusive saker som memristorer eller oscillatorer, så länge de har vissa egenskaper, såsom ett icke-linjärt svar på ingångar och någon form av minne av tidigare ingångar. Det nya artificiella spinnsystemet uppfyller dessa krav, så teamet använde det som en reservoar för att utföra en rad databearbetningsuppgifter.

De matar in data till systemet genom att utsätta det för sekvenser av magnetiska fält innan de tillåter sin egen interna dynamik till behandla uppgifterna. De använde sedan en bildteknik som kallas ferromagnetisk resonans för att bestämma den slutliga fördelningen av nanomagneterna, vilket gav svaret.

Även om dessa inte var praktiska databearbetningsuppgifter, kunde teamet visa att deras enhet kunde matcha ledande reservoarberäkningsscheman på en rad förutsägelseutmaningar som involverade data som varierar över tiden. Viktigt är att de visade att den kunde lära sig effektivt på ganska korta träningsuppsättningar, vilket skulle vara viktigt i många verkliga IoT-applikationer.

Och inte bara är enheten väldigt liten, det faktum att den använder magnetfält för att utföra beräkningar snarare än att skjuta runt elektricitet betyder att den förbrukar mycket mindre ström. I ett pressmeddelande, uppskattar forskarna att när den skalas upp kan den vara 100,000 XNUMX gånger effektivare än konventionell datoranvändning.

Det är en lång väg att gå innan den här typen av enhet kan användas praktiskt, men resultaten tyder på att datorer baserade på magneter kan spela en viktig roll för att bädda in AI överallt.

Image Credit: BarbaraJackson / 264 bilder

• Myntsmart. Europas bästa bitcoin- och kryptobörs.
• Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
• CryptoHawk. Altcoin radar. Gratis provperiod.
• Källa: https://singularityhub.com/2022/05/09/nanomagnetic-computing-could-drastically-cut-ais-energy-use/