Udskrivning af kredsløb på sjældne nanomagneter sætter et nyt spin på computeren

Ny forskning, der kunstigt skaber en sjælden form for stof kendt som spinglas, kan udløse et nyt paradigme inden for kunstig intelligens ved at tillade, at algoritmer udskrives direkte som fysisk hardware. De usædvanlige egenskaber ved spinglas muliggør en form for kunstig intelligens, der kan genkende objekter fra delvise billeder, ligesom hjernen gør, og som viser løfte om lav-power computing, blandt andre spændende muligheder.

"Vores arbejde gennemførte den første eksperimentelle realisering af et kunstigt spinglas bestående af nanomagneter arrangeret til at replikere et neuralt netværk," sagde Michael Saccone, en post-doc forsker i teoretisk fysik ved Los Alamos National Laboratory og hovedforfatter af det nye papir i Naturfysik . "Vores papir lægger grunden til, at vi skal bruge disse fysiske systemer praktisk."

Spin-briller er en måde at tænke materialestruktur matematisk på. At være fri, for første gang, til at justere interaktionen inden for disse systemer ved hjælp af elektronstrålelitografi gør det muligt at repræsentere en række forskellige computerproblemer i spin-glas netværk, sagde Saccone.

I skæringspunktet mellem konstruerede materialer og beregninger er spin-glassystemer en type uordnet system af nanomagneter, der opstår fra tilfældige interaktioner og konkurrence mellem to typer magnetisk orden i materialet. De udviser "frustration", hvilket betyder, at de ikke sætter sig i en ensartet konfiguration, når deres temperatur falder, og de besidder forskellige termodynamiske og dynamiske egenskaber, der kan udnyttes til computerapplikationer.

"Teoretiske modeller, der beskriver spin-briller, bruges bredt i andre komplekse systemer, såsom dem, der beskriver hjernefunktion, fejlkorrigerende koder eller aktiemarkedsdynamik," sagde Saccone. "Denne brede interesse for spindeglas giver stærk motivation til at generere et kunstigt spinglas."

Forskerholdet kombinerede teoretisk og eksperimentelt arbejde for at fremstille og observere det kunstige spinglas som et proof-of-principle Hopfield neuralt netværk, som matematisk modellerer associativ hukommelse for at guide forstyrrelsen af ​​de kunstige spin-systemer.

Spinglas- og Hopfield-netværk har udviklet sig symbiotisk, hvor det ene felt lever af det andet. Associativ hukommelse, hvad enten det er i et Hopfield-netværk eller andre former for neurale netværk, forbinder to eller flere hukommelsesmønstre relateret til et objekt. Hvis kun én hukommelse udløses - for eksempel ved at modtage et delvist billede af et ansigt som input - så kan netværket genkalde hele ansigtet. I modsætning til mere traditionelle algoritmer kræver associativ hukommelse ikke et helt identisk scenarie for at identificere en hukommelse.

Hukommelserne i disse netværk svarer til grundtilstande i et spin-system og forstyrres mindre af støj end andre neurale netværk.

Forskningen fra Saccone og holdet bekræftede, at materialet var et spinglas, bevis, der vil give dem mulighed for at beskrive systemets egenskaber, og hvordan det behandler information. AI-algoritmer udviklet i spinglas ville være "messer" end traditionelle algoritmer, sagde Saccone, men også mere fleksible for nogle AI-applikationer. + Udforsk yderligere

Erindringer og energilandskaber af magnetiske glasagtige tilstande