Форма вычислений на основе мозга, которая использует внутренние физические свойства материала для значительного снижения энергопотребления, теперь стала на шаг ближе к реальности благодаря новому исследованию, проведенному исследователями UCL и Имперского колледжа Лондона.
В новом исследовании, опубликованном в журнале Nature Materials , международная группа исследователей использовала киральные (скрученные) магниты в качестве вычислительной среды и обнаружила, что, применяя внешнее магнитное поле и изменяя температуру, физические свойства этих материалов можно адаптировать. для решения различных задач машинного обучения.
Такой подход, известный как физические резервуарные вычисления, до сих пор был ограничен из-за отсутствия возможности реконфигурации. Это связано с тем, что физические свойства материала могут позволить ему преуспеть в определенном подмножестве вычислительных задач, но не в других.
Доктор Оскар Ли (Лондонский центр нанотехнологий UCL и факультет электроники и электротехники UCL), ведущий автор статьи, сказал: «Эта работа приближает нас на шаг ближе к реализации всего потенциала физических резервуаров для создания компьютеров, которые не только требуют значительно меньше энергии, но и адаптируют свои вычислительные свойства для оптимального выполнения различных задач, как и наш мозг.
«Следующим шагом является определение материалов и архитектур устройств, которые являются коммерчески жизнеспособными и масштабируемыми».
Традиционные компьютеры потребляют большое количество электроэнергии. Отчасти это связано с тем, что у него есть отдельные блоки для хранения и обработки данных, а это означает, что информация должна постоянно перемещаться между ними, тратя энергию и выделяя тепло. Это особенно проблема для машинного обучения, которое требует для обработки огромных наборов данных. Обучение одной большой модели ИИ может привести к выбросу сотен тонн углекислого газа.
Физические резервуарные вычисления — это один из нескольких нейроморфных (или основанных на мозге) подходов, цель которого — устранить необходимость в отдельных модулях памяти и обработки, обеспечивая более эффективные способы обработки данных. Помимо того, что физические резервуарные вычисления являются более устойчивой альтернативой традиционным вычислениям, их можно интегрировать в существующие схемы, чтобы обеспечить дополнительные возможности, которые также являются энергоэффективными.
В исследовании, в котором приняли участие исследователи из Японии и Германии, команда использовала векторный анализатор цепей для определения поглощения энергии хиральными магнитами при различной напряженности магнитного поля и температурах в диапазоне от -269 °C до комнатной температуры.
Они обнаружили, что разные магнитные фазы хиральных магнитов превосходно справляются с разными типами вычислительных задач. Фаза скирмиона, когда намагниченные частицы кружатся в вихревом порядке, обладала мощной памятью, подходящей для задач прогнозирования. Между тем коническая фаза имела мало памяти, но ее нелинейность была идеальной для задач трансформации и классификации — например, для определения того, является ли животное кошкой или собакой.
Соавтор доктор Джек Гартсайд из Имперского колледжа Лондона сказал: «Наши сотрудники UCL в группе профессора Хидеказу Куребаяши недавно определили многообещающий набор материалов для создания нетрадиционных вычислений. Эти материалы особенные, поскольку они могут поддерживать особенно богатые и разнообразный набор магнитных текстур».
«Работая с ведущим автором доктором Оскаром Ли, группа Имперского колледжа Лондона [под руководством доктора Гартсайда, Килиана Стеннинга и профессора Уилла Брэнфорда] разработала нейроморфную вычислительную архитектуру, позволяющую использовать сложные свойства материала для удовлетворения требований разнообразного набора Это дало отличные результаты и показало, как реконфигурация физических фаз может напрямую регулировать производительность нейроморфных вычислений».
В работе также приняли участие исследователи из Токийского университета и Технического университета Мюнхена.
