Den snabba teknikutvecklingen har lett till en enorm ökning av energianvändningen för att bearbeta de enorma mängder data som genereras av enheter. Men forskare vid Cockrell School of Engineering vid University of Texas i Austin har hittat ett sätt att göra den nya generationen smarta datorer mer energieffektiva.

Traditionellt, kiselchips har bildat byggstenarna i infrastrukturen som driver datorer. Men den här forskningen använder magnetiska komponenter istället för kisel och upptäcker ny information om hur de magnetiska komponenternas fysik kan minska energikostnaderna och kraven på träningsalgoritmer – neurala nätverk som kan tänka som människor och göra saker som att känna igen bilder och mönster.

"Just nu, metoderna för att träna dina neurala nätverk är mycket energikrävande, sa Jean Anne Incorvia, en biträdande professor vid Cockrellskolans avdelning för el- och datateknik. "Vad vårt arbete kan göra är att hjälpa till att minska träningsinsatsen och energikostnaderna."

Forskarnas resultat publicerades i veckan i IOP Nanoteknik . Incorvia ledde studien med första författaren och andraårsstudenten Can Cui. Incorvia och Cui upptäckte att avståndet mellan magnetiska nanotrådar, fungerar som artificiella neuroner, på vissa sätt ökar naturligt förmågan för de artificiella neuronerna att tävla mot varandra, med de mest aktiverade som vinner. Att uppnå denna effekt, känd som "lateral hämning, " kräver traditionellt extra kretsar i datorer, vilket ökar kostnaderna och tar mer energi och utrymme.

Incorvia sa att deras metod ger en energireduktion på 20 till 30 gånger mängden som används av en vanlig back-propagationsalgoritm när man utför samma inlärningsuppgifter.

På samma sätt som mänskliga hjärnor innehåller neuroner, nya era datorer har konstgjorda versioner av dessa integrerade nervceller. Lateral hämning uppstår när neuronerna som avfyrar snabbast kan förhindra långsammare neuroner från att skjuta. Inom datorer, detta minskar energianvändningen vid bearbetning av data.

Incorvia förklarar att hur datorer fungerar håller på att förändras i grunden. En stor trend är konceptet med neuromorfisk beräkning, som i huvudsak är att utforma datorer för att tänka som mänskliga hjärnor. Istället för att bearbeta uppgifter en i taget, Dessa smartare enheter är avsedda att analysera enorma mängder data samtidigt. Dessa innovationer har drivit revolutionen inom maskininlärning och artificiell intelligens som har dominerat tekniklandskapet de senaste åren.

Denna forskning fokuserade på interaktioner mellan två magnetiska neuroner och initiala resultat på interaktioner mellan flera neuroner. Nästa steg involverar att applicera fynden på större uppsättningar av flera neuroner samt experimentell verifiering av deras fynd.