Kæmpespring mod neuromorfe enheder:Højtydende spin-wave reservoir computing

En gruppe forskere fra Tohoku University har udviklet en teoretisk model for en højtydende spin wave reservoir computing (RC), der anvender spintronics-teknologi. Gennembruddet flytter videnskabsmænd tættere på at realisere energieffektiv, nanoskala-databehandling med uovertruffen beregningskraft.

Detaljer om deres resultater blev offentliggjort i npj Spintronics den 1. marts 2024.

Hjernen er den ultimative computer, og videnskabsmænd stræber konstant efter at skabe neuromorfe enheder, der efterligner hjernens behandlingsevner, lave strømforbrug og dens evne til at tilpasse sig neurale netværk. Udviklingen af ​​neuromorfisk databehandling er revolutionerende, hvilket gør det muligt for forskere at udforske nanoskala riger, GHz-hastighed, med lavt energiforbrug.

I de senere år er der sket mange fremskridt inden for beregningsmodeller inspireret af hjernen. Disse kunstige neurale netværk har demonstreret ekstraordinære præstationer i forskellige opgaver. Men de nuværende teknologier er software-baserede; deres beregningshastighed, størrelse og energiforbrug forbliver begrænset af egenskaberne ved konventionelle elektriske computere.

RC fungerer via et fast, tilfældigt genereret netværk kaldet "reservoiret". Reservoiret gør det muligt at huske tidligere inputinformation og dens ikke-lineære transformation. Denne unikke egenskab giver mulighed for integration af fysiske systemer, såsom magnetiseringsdynamik, til at udføre forskellige opgaver for sekventielle data, såsom tidsserieprognoser og talegenkendelse.

Nogle har foreslået spintronics som et middel til at realisere højtydende enheder. Men de hidtil producerede enheder har ikke levet op til forventningerne. Især har de ikke formået at opnå høj ydeevne på nanoskala med GHz-hastighed.

"Vores undersøgelse foreslog en fysisk RC, der udnyttede udbredende spin-bølger," siger Natsuhiko Yoshinaga, medforfatter af papiret og lektor ved Advanced Institute for Materials Research (WPI-AIMR). "Den teoretiske ramme, vi udviklede, brugte responsfunktioner, der forbinder inputsignaler med udbredelse af spindynamik.

"Denne teoretiske model belyste mekanismen bag den høje ydeevne af spin wave RC og fremhævede skaleringsforholdet mellem bølgehastighed og systemstørrelse for at optimere effektiviteten af ​​virtuelle noder."

Det er afgørende, at Yoshinaga og hans kolleger hjalp med at afklare mekanismen for højtydende reservoirberegning. Derved udnyttede de forskellige underfelter, nemlig kondenseret stoffysik og matematisk modellering.

"Ved at anvende de unikke egenskaber ved spintronics-teknologi har vi potentielt banet vejen for en ny æra af intelligent computing, hvilket fører os tættere på at realisere en fysisk enhed, der kan bruges i vejrudsigter og talegenkendelse," tilføjer Yoshinaga.

Flere oplysninger: Satoshi Iihama et al., Universal skalering mellem bølgehastighed og størrelse muliggør højtydende reservoirberegning på nanoskala baseret på udbredelse af spin-bølger, npj Spintronics (2024). DOI:10.1038/s44306-024-00008-5

Leveret af Tohoku University