Výzkumníci prokázali, že umělou inteligenci lze provádět pomocí malých nanomagnetů, které interagují jako neurony v mozku.
Výzkumníci ukázali, že je možné provádět umělou inteligenci pomocí malých nanomagnetů, které interagují jako neurony v mozku.
Nová technologie vyvinutá týmem vedeným výzkumníky z Imperial College London by mohla výrazně snížit energetické náklady umělé inteligence (AI), které se v současnosti globálně zdvojnásobují každých 3,5 měsíce.
V článku publikovaném dnes (5. května 2022) v časopise Nature Nanotechnology vytvořil mezinárodní tým první důkaz, že sítě nanomagnetů lze použít k provádění zpracování podobného umělé inteligenci. Vědci ukázali, že nanomagnety lze použít pro úkoly „předpovědi časových řad“, jako je předpovídání a regulace hladiny inzulínu u diabetických pacientů.
Umělá inteligence, která využívá „neuronové sítě“, má za cíl replikovat způsob, jakým fungují části mozku, kde spolu neurony mluví za účelem zpracování a uchování informací. Mnoho matematiky používané k napájení neuronových sítí bylo původně vynalezeno fyziky k popisu způsobu interakce magnetů, ale v té době bylo příliš obtížné použít magnety přímo, protože výzkumníci nevěděli, jak vložit data a získat informace ven.
Místo toho byl k simulaci magnetických interakcí použit software běžící na tradičních počítačích na bázi křemíku, čímž se simuloval mozek. Nyní byl tým schopen používat samotné magnety ke zpracování a ukládání dat – odbourání prostředníka softwarové simulace a potenciálně nabízí enormní úspory energie.
Nanomagnetické stavy
Nanomagnety se mohou nacházet v různých „stavech“ v závislosti na jejich směru. Aplikací magnetického pole na síť nanomagnetů se mění stav magnetů na základě vlastností vstupního pole, ale také na základě stavů okolních magnetů.
Tým vedený výzkumníky z Imperial Department of Physics byl poté schopen navrhnout techniku, která by spočítala počet magnetů v každém stavu, jakmile pole prošlo, a poskytla „odpověď“.
Spoluprvní autor studie, Dr. Jack Gartside, řekl: „Dlouho jsme se pokoušeli vyřešit problém, jak vkládat data, klást otázku a získávat odpověď z magnetických výpočtů. Nyní jsme dokázali, že to lze udělat, připravuje to cestu k odstranění počítačového softwaru, který provádí energeticky náročnou simulaci.“
Spoluprvní autor Kilian Stenning dodal: „Jak magnety interagují, poskytuje nám všechny informace, které potřebujeme; samotné fyzikální zákony se stávají počítačem.“
Vedoucí týmu Dr. Will Branford řekl: „Dlouhodobým cílem bylo realizovat počítačový hardware inspirovaný softwarovými algoritmy Sherringtona a Kirkpatricka. Nebylo možné použít rotace na atomech v konvenčních magnetech, ale zvětšením rotací do nanovzorových polí jsme byli schopni dosáhnout potřebné kontroly a odečítání."
Snížení nákladů na energii
AI se nyní používá v celé řadě kontextů, od rozpoznávání hlasu až po samořídící auta. Ale trénovat umělou inteligenci, aby dělala i relativně jednoduché úkoly, může vyžadovat obrovské množství energie. Například trénování umělé inteligence k vyřešení Rubikovy kostky zabralo energii ekvivalentní dvěma jaderným elektrárnám v provozu hodinu.
Velká část energie použité k dosažení tohoto cíle v konvenčních počítačích s křemíkovým čipem se plýtvá neefektivním transportem elektronů během zpracování a ukládání do paměti. Nanomagnety se však nespoléhají na fyzický transport částic, jako jsou elektrony, ale místo toho zpracovávají a přenášejí informace ve formě „magnonové“ vlny, kde každý magnet ovlivňuje stav sousedních magnetů.
To znamená, že se ztrácí mnohem méně energie a že zpracování a ukládání informací lze provádět společně, spíše než jako samostatné procesy jako v konvenčních počítačích. Tato inovace by mohla učinit nanomagnetické výpočty až 100 000krát efektivnějšími než konvenční výpočty.
AI na hraně
Tým bude dále učit systém pomocí reálných dat, jako jsou signály EKG, a doufá, že z něj udělá skutečné výpočetní zařízení. Magnetické systémy by nakonec mohly být integrovány do konvenčních počítačů, aby se zlepšila energetická účinnost pro náročné úlohy zpracování.
Jejich energetická účinnost také znamená, že by mohly být reálně poháněny obnovitelnými zdroji energie a mohly by se používat k provádění „AI na okraji“ – zpracování dat tam, kde jsou shromažďována, jako jsou meteorologické stanice v Antarktidě, namísto jejich odesílání zpět velká datová centra.
Znamená to také, že by mohly být použity na nositelných zařízeních ke zpracování biometrických údajů o těle, jako je předpovídání a regulace hladiny inzulínu pro diabetiky nebo zjišťování abnormálních srdečních tepů.
Reference: „Rekonfigurovatelné školení a výpočet rezervoáru v umělém spin-vírovém ledu pomocí spin-wave fingerprinting“ od Jacka C. Gartsidea, Kiliana D. Stenninga, Alexe Vanstonea, Holly H. Holder, Daana M. Arroo, Troye Diona , Francesco Caravelli, Hidekazu Kurebayashi a Will R. Branford, 5. května 2022, Přírodní nanotechnologie.
DOI: 10.1038/s41565-022-01091-7
