Nanomagnetisk databehandling kan give lavenergi AI, viser forskere

Forskere har vist, at det er muligt at udføre kunstig intelligens ved hjælp af bittesmå nanomagneter, der interagerer som neuroner i hjernen.

Den nye metode, udviklet af et hold ledet af forskere fra Imperial College London, kan reducere energiomkostningerne ved kunstig intelligens (AI), som i øjeblikket fordobles globalt hver 3,5 måned.

I et papir offentliggjort i dag i Nature Nanotechnology , har det internationale team produceret det første bevis på, at netværk af nanomagneter kan bruges til at udføre AI-lignende behandling. Forskerne viste, at nanomagneter kan bruges til 'tidsserieforudsigelse'-opgaver, såsom at forudsige og regulere insulinniveauer hos diabetespatienter.

Kunstig intelligens, der bruger 'neurale netværk', har til formål at replikere den måde, dele af hjernen fungerer på, hvor neuroner taler med hinanden for at behandle og fastholde information. En stor del af den matematik, der blev brugt til at drive neurale netværk, blev oprindeligt opfundet af fysikere for at beskrive den måde, magneter interagerer på, men på det tidspunkt var det for svært at bruge magneter direkte, da forskerne ikke vidste, hvordan de skulle sætte data ind og få information ud.

I stedet blev software, der blev kørt på traditionelle silicium-baserede computere, brugt til at simulere magnet-interaktionerne, hvilket igen simulerede hjernen. Nu har teamet været i stand til at bruge selve magneterne til at behandle og gemme data – ved at fjerne mellemmanden i softwaresimuleringen og potentielt tilbyde enorme energibesparelser.

Nanomagnetiske tilstande

Nanomagneter kan komme i forskellige 'tilstande', afhængigt af deres retning. Påføring af et magnetfelt på et netværk af nanomagneter ændrer magneternes tilstand baseret på egenskaberne af inputfeltet, men også på tilstanden af ​​omgivende magneter.

Holdet, ledet af forskere fra Imperial Department of Physics, var derefter i stand til at designe en teknik til at tælle antallet af magneter i hver stat, når feltet er gået igennem, hvilket giver 'svaret'.

Medforfatter til undersøgelsen Dr. Jack Gartside sagde:"Vi har i lang tid forsøgt at løse problemet med, hvordan man indtaster data, stiller et spørgsmål og får et svar ud af magnetisk databehandling. Nu har vi bevist, at det kan lade sig gøre, baner det vejen for at slippe af med computersoftwaren, der udfører den energikrævende simulering."

Medforfatter Kilian Stenning tilføjede:"Hvordan magneterne interagerer giver os al den information, vi har brug for; fysikkens love bliver selve computeren."

Teamleder Dr. Will Branford sagde:"Det har været et langsigtet mål at realisere computerhardware inspireret af softwarealgoritmerne fra Sherrington og Kirkpatrick. Det var ikke muligt at bruge spins på atomer i konventionelle magneter, men ved at opskalere spinsene ind i nanomønstrede arrays har vi været i stand til at opnå den nødvendige kontrol og udlæsning."

Skærende energiomkostninger

AI bruges nu i en række sammenhænge, ​​fra stemmegenkendelse til selvkørende biler. Men at træne AI til selv relativt simple opgaver kan tage enorme mængder energi. For eksempel tog træning af kunstig intelligens til at løse en Rubiks terning energi, der svarer til to atomkraftværker, der kører i en time.

Meget af den energi, der bruges til at opnå dette i konventionelle silicium-chip-computere, spildes i ineffektiv transport af elektroner under behandling og hukommelseslagring. Nanomagneter er dog ikke afhængige af den fysiske transport af partikler som elektroner, men behandler og overfører i stedet information i form af en 'magnon'-bølge, hvor hver magnet påvirker tilstanden af ​​nabomagneter.

Det betyder, at der går meget mindre energi tabt, og at behandling og lagring af information kan ske sammen, frem for at være separate processer som i konventionelle computere. Denne innovation kan gøre nanomagnetisk databehandling op til 100.000 gange mere effektiv end konventionel databehandling.

AI på kanten

Holdet vil derefter undervise systemet ved at bruge data fra den virkelige verden, såsom EKG-signaler, og håber at gøre det til en rigtig computerenhed. Til sidst kunne magnetiske systemer integreres i konventionelle computere for at forbedre energieffektiviteten til intense behandlingsopgaver.

Deres energieffektivitet betyder også, at de muligvis kan blive drevet af vedvarende energi og bruges til at lave 'AI på kanten' - behandling af de data, hvor de bliver indsamlet, såsom vejrstationer i Antarktis, i stedet for at sende dem tilbage til store datacentre .

Det betyder også, at de kan bruges på bærbare enheder til at behandle biometriske data på kroppen, såsom at forudsige og regulere insulinniveauer for diabetikere eller detektere unormale hjerteslag. + Udforsk yderligere

Læringsmagneter kan føre til energieffektiv databehandling