Naujoji technologija, sukurta mokslininkų iš Londono imperatoriškasis koledžasgali sumažinti dirbtinio intelekto (DI) energijos sąnaudas, kurios dabar padvigubėja kas 3,5 mėnesio visame pasaulyje.
Tarptautinė komanda žurnale paskelbė pirmuosius įrodymus, kad nanomagnetų tinklai gali būti naudojami į DI panašų apdorojimą atlikti. Gamtos nanotechnologijos. Pasak mokslininkų, nanomagnetai gali būti naudojami „laiko eilučių prognozavimo“ veiklai, pavyzdžiui, prognozuojant ir valdant insulino kiekį diabetu sergantiems pacientams.
Dirbtinis intelektas, kuriame naudojami „neuroniniai tinklai“, siekia imituoti neuronų tarpusavio ryšį, kad apdorotų ir saugotų informaciją smegenyse. Fizikai sukūrė daugybę matematikos, kuri įgalina neuroninius tinklus apibūdinti magnetų sąveiką.
Tačiau tuo metu buvo sunku tiesiogiai panaudoti magnetus, nes mokslininkai neturėjo supratimo apie duomenų įdėjimą ir informacijos gavimą.
Todėl magnetų sąveikai modeliuoti buvo naudojami įprasti silicio kompiuteriai, kurie naudojami imituoti smegenis. Dabar komanda gali analizuoti ir saugoti duomenis tiesiai ant magnetų, todėl nebereikia programinės įrangos modeliavimo ir galbūt sutaupoma daug energijos.
Nanomagnetinės būsenos
Priklausomai nuo jų orientacijos, nanomagnetai gali egzistuoti skirtingose „būsenose“. Kai nanomagnetų tinklui taikomas magnetinis laukas, magnetų būsena kinta priklausomai nuo įvesties lauko parametrų ir gretimų magnetų būsenų.
Grupė, vadovaujama Imperatoriškojo fizikos katedros akademikų, tada sukūrė metodą, kaip suskaičiuoti magnetų skaičių kiekvienoje būsenoje po to, kai laukas praeina, ir pateikė „atsakymą“.
Ilgą laiką bandėme išspręsti problemą, kaip įvesti duomenis, užduoti klausimą ir gauti atsakymą iš magnetinio skaičiavimo. Dabar mes įrodėme, kad tai įmanoma, tai atveria kelią atsikratyti kompiuterio programinės įrangos, kuri atlieka daug energijos sunaudojantį modeliavimą.
Dr. Jackas Gartside’as, Londono imperatoriškojo koledžo pirmasis tyrimo autorius
Magnetų sąveika suteikia mums visą reikalingą informaciją; patys fizikos dėsniai tampa kompiuteriu.
Kilian Stenning, Londono imperatoriškojo koledžo pirmasis tyrimo autorius
Grupės vadovas daktaras Willas Branfordas pareiškė:Tai buvo ilgalaikis tikslas realizuoti kompiuterinę įrangą, įkvėptą Sherrington ir Kirkpatrick programinės įrangos algoritmų. Nebuvo įmanoma naudoti įprastų magnetų atomų sukimų, tačiau padidinę sukimus į nanomodelių matricas galėjome pasiekti reikiamą valdymą ir rodmenis.“
Energijos sąnaudų mažinimas
Nuo kalbos atpažinimo iki savarankiškai vairuojančių automobilių, AI šiuo metu naudojamas įvairiose programose. Tačiau norint suprogramuoti AI atlikti iš pažiūros pagrindines užduotis, reikia daug energijos. Norint išmokyti dirbtinį intelektą išspręsti Rubiko kubą, jam prireikė energijos ekvivalento dviem atominėms elektrinėms, veikiančioms valandą.
Silicio lustų kompiuteriuose didžioji dalis reikalingos energijos išeikvojama neefektyviam elektronų transportavimui apdorojimo ir atminties saugojimo metu.
Kita vertus, nanomagnetai, norėdami apdoroti ir perduoti informaciją, nepasikliauja fiziniu dalelių, pavyzdžiui, elektronų, srautu. Vietoj to, jie apdoroja ir perduoda informaciją „magnono“ bangos pavidalu, kurioje kiekvienas magnetas įtakoja gretimų magnetų būklę.
Tai reiškia, kad eikvojama žymiai mažiau energijos, o informacijos apdorojimas ir saugojimas gali būti atliekami vienu metu, o ne kaip atskiros operacijos, kaip tradiciniuose kompiuteriuose. Dėl šio proveržio nanomagnetinis skaičiavimas gali būti 100 000 kartų efektyvesnis nei tradicinis skaičiavimas.
AI prie krašto
Po sėkmingo pradinio tyrimo, kitas mokslininkų žingsnis yra naudoti realaus pasaulio duomenis, pvz., EKG signalus, kad būtų galima nurodyti sistemai ir galiausiai paversti ją veikiančiu kompiuteriu. Magnetiniai įrenginiai ilgainiui gali būti įtraukti į tradicinius kompiuterius, siekiant padidinti energijos vartojimo efektyvumą atliekant didelio apdorojimo darbo krūvius.
Dėl energijos vartojimo efektyvumo jie gali būti maitinami atsinaujinančia energija ir naudojami „AI prie krašto“ veiklai, kuri apima duomenų apdorojimą vietoje, pavyzdžiui, Antarktidos meteorologijos stotyse, o ne perduodant juos atgal į didžiulius duomenų centrus.
Jie taip pat gali būti naudojami nešiojamuose prietaisuose, kad būtų galima analizuoti biometrinius kūno duomenis, pvz., nuspėti ir reguliuoti insulino kiekį diabetu sergantiems pacientams arba aptikti nereguliarų širdies plakimą.
Žurnalo nuoroda:
Gartside, Džekai. C., ir kt.(2022) Perkonfigūruojamas mokymas ir rezervuarų skaičiavimas dirbtiniame sukimosi sūkurio lede naudojant sukimosi bangos pirštų atspaudus. Nat. Nanotechnologija doi.org/10.1038/s41565-022-01091-7.
Šaltinis: https://www.imperial.ac.uk/