Kredit:CC0 Public Domain
Forskare har visat att det är möjligt att utföra artificiell intelligens med hjälp av små nanomagneter som interagerar som neuroner i hjärnan.
Den nya metoden, utvecklad av ett team ledd av forskare från Imperial College London, kan minska energikostnaden för artificiell intelligens (AI), som för närvarande fördubblas globalt var 3,5:e månad.
I en artikel publicerad idag i Nature Nanotechnology , har det internationella teamet tagit fram det första beviset på att nätverk av nanomagneter kan användas för att utföra AI-liknande bearbetning. Forskarna visade att nanomagneter kan användas för "tidsserieprediktion"-uppgifter, som att förutsäga och reglera insulinnivåer hos diabetespatienter.
Artificiell intelligens som använder "neurala nätverk" syftar till att replikera hur delar av hjärnan fungerar, där neuroner pratar med varandra för att bearbeta och behålla information. Mycket av den matematik som används för att driva neurala nätverk uppfanns ursprungligen av fysiker för att beskriva hur magneter interagerar, men på den tiden var det för svårt att använda magneter direkt eftersom forskare inte visste hur man skulle lägga in data och få ut information.
Istället användes programvara som kördes på traditionella kiselbaserade datorer för att simulera magnetinteraktionerna, vilket i sin tur simulerade hjärnan. Nu har teamet kunnat använda själva magneterna för att bearbeta och lagra data – vilket gör att mellanhanden i mjukvarusimuleringen är borta och potentiellt kan erbjuda enorma energibesparingar.
Nanomagnetiska tillstånd
Nanomagneter kan komma i olika "tillstånd", beroende på deras riktning. Att applicera ett magnetfält på ett nätverk av nanomagneter ändrar magneternas tillstånd baserat på egenskaperna hos ingångsfältet, men också på tillstånden hos omgivande magneter.
Teamet, ledd av forskare från Imperial Department of Physics, kunde sedan designa en teknik för att räkna antalet magneter i varje stat när fältet har passerat, vilket ger "svaret".
Medförstaförfattaren till studien Dr. Jack Gartside sa:"Vi har länge försökt lösa problemet med hur man matar in data, ställer en fråga och får svar från magnetisk datoranvändning. Nu har vi bevisat att det kan göras banar det väg för att bli av med datormjukvaran som gör den energikrävande simuleringen."
Medförfattaren Kilian Stenning tillade:"Hur magneterna interagerar ger oss all information vi behöver; fysikens lagar blir själva datorn."
Teamledaren Dr. Will Branford sa:"Det har varit ett långsiktigt mål att förverkliga datorhårdvara inspirerad av mjukvarualgoritmerna från Sherrington och Kirkpatrick. Det var inte möjligt att använda spins på atomer i konventionella magneter, utan genom att skala upp spinnen i nanopönstrade arrayer har vi kunnat uppnå nödvändig kontroll och avläsning."
Minska energikostnaden
AI används nu i en rad olika sammanhang, från röstigenkänning till självkörande bilar. Men att träna AI för att göra även relativt enkla uppgifter kan ta enorma mängder energi. Träning av AI för att lösa en Rubiks kub tog till exempel energimotsvarigheten av två kärnkraftverk som kördes i en timme.
Mycket av den energi som används för att uppnå detta i konventionella datorer med kiselchips slösas bort på ineffektiv transport av elektroner under bearbetning och minneslagring. Nanomagneter förlitar sig dock inte på den fysiska transporten av partiklar som elektroner, utan bearbetar och överför information i form av en "magnon"-våg, där varje magnet påverkar tillståndet hos närliggande magneter.
Detta innebär att mycket mindre energi går förlorad, och att bearbetning och lagring av information kan göras tillsammans, snarare än att vara separata processer som i konventionella datorer. Denna innovation kan göra nanomagnetisk datoranvändning upp till 100 000 gånger effektivare än konventionell datoranvändning.
AI vid kanten
Teamet kommer härnäst att lära systemet att använda verkliga data, såsom EKG-signaler, och hoppas kunna göra det till en riktig datorenhet. Så småningom kan magnetiska system integreras i konventionella datorer för att förbättra energieffektiviteten för intensiva bearbetningsuppgifter.
Deras energieffektivitet innebär också att de möjligen kan drivas av förnybar energi och användas för att göra "AI vid kanten" - bearbeta data där den samlas in, som väderstationer i Antarktis, snarare än att skicka tillbaka den till stora datacenter .
Det betyder också att de kan användas på bärbara enheter för att bearbeta biometriska data om kroppen, som att förutsäga och reglera insulinnivåer för diabetiker eller upptäcka onormala hjärtslag. + Utforska vidare
