Điện toán nano có thể cắt giảm đáng kể việc sử dụng năng lượng của AI

Khi Internet of Things mở rộng, các kỹ sư muốn nhúng AI vào mọi thứ, nhưng lượng năng lượng mà nó yêu cầu là một thách thức đối với các thiết bị nhỏ nhất và ở xa nhất. Một phương pháp tính toán “từ tính nano” mới có thể cung cấp một giải pháp.

Trong khi hầu hêt AI sự phát triển ngày nay tập trung vào các mô hình lớn, phức tạp chạy trong các trung tâm dữ liệu khổng lồ, ngày càng có nhiều nhu cầu về các cách chạy các ứng dụng AI đơn giản hơn trên các thiết bị nhỏ hơn và hạn chế năng lượng hơn.

Đối với nhiều ứng dụng, từ thiết bị đeo đến cảm biến công nghiệp thông minh cho đến máy bay không người lái, việc gửi dữ liệu đến các hệ thống AI dựa trên đám mây không có ý nghĩa. Đó có thể là do lo ngại về việc chia sẻ dữ liệu riêng tư hoặc sự chậm trễ không thể tránh khỏi khi truyền dữ liệu và chờ phản hồi.

Nhưng nhiều thiết bị trong số này quá nhỏ để chứa loại vi xử lý công suất cao thường được sử dụng cho AI. Chúng cũng có xu hướng chạy bằng pin hoặc năng lượng thu được từ môi trường và do đó không thể đáp ứng các yêu cầu khắt khe về năng lượng của các phương pháp học sâu thông thường.

Điều này đã dẫn đến việc ngày càng có nhiều nghiên cứu về các phương pháp tiếp cận máy tính và phần cứng mới để có thể chạy AI trên các loại hệ thống này. Phần lớn công việc này đã tìm cách vay mượn từ bộ não, bộ não có khả năng tính toán kỳ công đáng kinh ngạc trong khi sử dụng cùng một lượng điện năng như một bóng đèn. Chúng bao gồm các chip thần kinh đa hình bắt chước hệ thống dây điện của não và các bộ xử lý được xây dựng từ điện trở memristor—Các thành phần điện tử hoạt động giống như tế bào thần kinh sinh học.

Nghiên cứu mới đã dẫn by các nhà khoa học từ Đại học Hoàng gia London gợi ý rằng máy tính với mạng lưới các nam châm kích thước nano có thể là một giải pháp thay thế đầy hứa hẹn. Trong một giấy xuất bản tuần trước trong Công nghệ nano tự nhiên, nhóm nghiên cứu đã chỉ ra rằng bằng cách áp dụng từ trường vào một loạt các phần tử từ tính nhỏ, họ có thể huấn luyện hệ thống xử lý dữ liệu phức tạp và đưa ra các dự đoán bằng cách sử dụng một phần nhỏ công suất của một máy tính bình thường.

Trọng tâm của phương pháp tiếp cận của họ là thứ được gọi là siêu vật liệu, một vật liệu nhân tạo có cấu trúc vật lý bên trong được thiết kế cẩn thận để tạo cho nó những đặc tính khác thường không có trong tự nhiên. Đặc biệt, nhóm nghiên cứu đã tạo ra một “hệ thống quay nhân tạo”, một sự sắp xếp của nhiều nano từ kết hợp với nhau để thể hiện hành vi từ tính kỳ lạ.

Thiết kế của chúng được tạo thành từ một mạng tinh thể gồm hàng trăm thanh vĩnh cửu dài 600 nanomet, một hợp kim sắt-niken có từ tính cao. Các thanh này được sắp xếp theo mô hình lặp lại của X có nhánh trên dày hơn nhánh dưới của chúng.

Thông thường các hệ thống spin nhân tạo có một cấu trúc từ tính duy nhất, mô tả mô hình từ hóa trên các nano từ của nó. Nhưng siêu vật liệu của đội Imperial có hai kết cấu riêng biệt và khả năng chuyển đổi giữa các bộ phận khác nhau của chúng để phản ứng với từ trường.

Các nhà nghiên cứu đã sử dụng các đặc tính này để triển khai một dạng AI được gọi là tính toán hồ chứa. Không giống như học sâu, trong đó mạng nơ-ron tua lại các kết nối của nó khi nó đào tạo trong một nhiệm vụ, cách tiếp cận này cung cấp dữ liệu vào một mạng có các kết nối đều cố định và chỉ đào tạo một lớp đầu ra duy nhất để diễn giải những gì xuất phát từ mạng này.

Cũng có thể thay thế mạng cố định này bằng các hệ thống vật lý, bao gồm những thứ như bộ nhớ hoặc bộ dao động, miễn là chúng có một số thuộc tính nhất định, chẳng hạn như phản ứng phi tuyến tính với đầu vào và một số dạng bộ nhớ của đầu vào trước đó. Hệ thống spin nhân tạo mới phù hợp với những yêu cầu đó, vì vậy nhóm đã sử dụng nó như một bể chứa để thực hiện một loạt các nhiệm vụ xử lý dữ liệu.

Họ nhập dữ liệu vào hệ thống bằng cách đặt nó vào chuỗi từ trường trước khi cho phép động lực bên trong của chính nó đến xử lý dữ liệu. Sau đó, họ sử dụng một kỹ thuật hình ảnh được gọi là cộng hưởng sắt từ để xác định sự phân bố cuối cùng của các hạt nano, từ đó đưa ra câu trả lời.

Mặc dù đây không phải là các nhiệm vụ xử lý dữ liệu thực tế, nhưng nhóm nghiên cứu đã có thể chứng minh rằng thiết bị của họ có thể phù hợp với các sơ đồ tính toán hồ chứa hàng đầu trên một loạt các thách thức dự đoán liên quan đến dữ liệu thay đổi theo thời gian. Quan trọng hơn, họ cho thấy rằng nó có thể học hiệu quả trên các bộ đào tạo khá ngắn, điều này sẽ rất quan trọng trong nhiều ứng dụng IoT trong thế giới thực.

Và không chỉ là thiết bị rất nhỏ, thực tế là nó sử dụng từ trường để thực hiện tính toán thay vì đóng điện xung quanh có nghĩa là nó tiêu thụ ít điện năng hơn nhiều. Trong một thông cáo báo chí, các nhà nghiên cứu ước tính rằng khi mở rộng quy mô nó có thể hiệu quả hơn 100,000 lần so với máy tính thông thường.

Còn cả một chặng đường dài trước khi loại thiết bị này có thể được đưa vào sử dụng thực tế, nhưng kết quả cho thấy máy tính dựa trên nam châm có thể đóng một vai trò quan trọng trong việc nhúng AI ở khắp mọi nơi.

Ảnh: BarbaraJackson / 264 hình ảnh

• Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. TRUY CẬP MIỄN PHÍ.
• CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
• Nguồn: https://singularityhub.com/2022/05/09/nanomagnetic-computing-could-dra Quyết-cut-ais-energy-use/