Gør big data-behandling mere energieffektiv ved hjælp af magnetiske kredsløb

Den hurtige teknologiske udvikling har ført til en enorm stigning i energiforbruget til at behandle de enorme mængder af data, der genereres af enheder. Men forskere fra Cockrell School of Engineering ved University of Texas i Austin har fundet en måde at gøre den nye generation af smarte computere mere energieffektive.

Traditionelt, siliciumchips har dannet byggestenene i den infrastruktur, der driver computere. Men denne forskning bruger magnetiske komponenter i stedet for silicium og opdager ny information om, hvordan de magnetiske komponenters fysik kan reducere energiomkostninger og krav til træningsalgoritmer - neurale netværk, der kan tænke som mennesker og gøre ting som at genkende billeder og mønstre.

"Lige nu, metoderne til at træne dine neurale netværk er meget energikrævende, " sagde Jean Anne Incorvia, en assisterende professor i Cockrell School's Department of Electrical and Computer Engineering. "Det, vores arbejde kan, er at hjælpe med at reducere træningsindsatsen og energiomkostningerne."

Forskernes resultater blev offentliggjort i denne uge i IOP Nanoteknologi . Incorvia ledede undersøgelsen med første forfatter og andenårs kandidatstuderende Can Cui. Incorvia og Cui opdagede, at afstand mellem magnetiske nanotråde, fungerer som kunstige neuroner, på visse måder naturligt øger evnen for de kunstige neuroner til at konkurrere mod hinanden, hvor de mest aktiverede vinder. For at opnå denne effekt, kendt som "lateral hæmning, " kræver traditionelt ekstra kredsløb i computere, hvilket øger omkostningerne og tager mere energi og plads.

Incorvia sagde, at deres metode giver en energireduktion på 20 til 30 gange den mængde, der bruges af en standard back-propagation-algoritme, når de udfører de samme læringsopgaver.

På samme måde som menneskelige hjerner indeholder neuroner, ny-æra computere har kunstige versioner af disse integrerede nerveceller. Lateral hæmning opstår, når de neuroner, der skyder hurtigst, er i stand til at forhindre langsommere neuroner i at skyde. Inden for databehandling, dette skærer ned på energiforbruget til behandling af data.

Incorvia forklarer, at den måde, computere fungerer på, ændrer sig fundamentalt. En stor tendens er konceptet med neuromorfisk databehandling, som i bund og grund designer computere til at tænke som menneskelige hjerner. I stedet for at behandle opgaverne én ad gangen, Disse smartere enheder er beregnet til at analysere enorme mængder data samtidigt. Disse innovationer har drevet revolutionen inden for maskinlæring og kunstig intelligens, som har domineret teknologilandskabet i de seneste år.

Denne forskning fokuserede på interaktioner mellem to magnetiske neuroner og indledende resultater på interaktioner mellem flere neuroner. Det næste trin involverer at anvende resultaterne til større sæt af flere neuroner samt eksperimentel verifikation af deres resultater.