Tutkijat ovat osoittaneet, että tekoälyä voidaan suorittaa käyttämällä pieniä nanomagneetteja, jotka ovat vuorovaikutuksessa aivojen neuronien tavoin.
Tutkijat ovat osoittaneet, että on mahdollista suorittaa tekoälyä käyttämällä pieniä nanomagneetteja, jotka ovat vuorovaikutuksessa aivojen neuronien tavoin.
Uusi teknologia, jonka on kehittänyt Lontoon Imperial Collegen tutkijoiden johtama ryhmä, voi merkittävästi vähentää tekoälyn (AI) energiakustannuksia, jotka tällä hetkellä kaksinkertaistuvat maailmanlaajuisesti 3,5 kuukauden välein.
Tänään (5. toukokuuta 2022) Nature Nanotechnology -lehdessä julkaistussa artikkelissa kansainvälinen tiimi on tuottanut ensimmäisen todisteen siitä, että nanomagneettiverkkoja voidaan käyttää tekoälyn kaltaiseen käsittelyyn. Tutkijat osoittivat, että nanomagneetteja voidaan käyttää "aikasarjan ennustamiseen", kuten diabetespotilaiden insuliinitasojen ennustamiseen ja säätelyyn.
Tekoäly, joka käyttää "hermoverkkoja", pyrkii jäljittelemään aivojen osien toimintaa, jossa hermosolut keskustelevat toistensa kanssa tietojen käsittelemiseksi ja säilyttämiseksi. Fyysikot keksivät alun perin suuren osan hermoverkkojen tehostamiseen käytetystä matematiikasta kuvaamaan magneettien vuorovaikutusta, mutta siihen aikaan oli liian vaikeaa käyttää magneetteja suoraan, koska tutkijat eivät tienneet kuinka laittaa tietoja sisään ja saada tietoa ulos.
Sen sijaan perinteisillä piipohjaisilla tietokoneilla ajettua ohjelmistoa käytettiin simuloimaan magneettien vuorovaikutusta, mikä puolestaan simuloi aivoja. Nyt tiimi on pystynyt käyttämään magneetteja itse tietojen käsittelyyn ja tallentamiseen – poistamalla ohjelmistosimuloinnin välittäjän ja mahdollisesti tarjoamalla valtavia energiansäästöjä.
Nanomagneettiset tilat
Nanomagneeteilla voi olla erilaisia "tiloja" niiden suunnasta riippuen. Magneettikentän kohdistaminen nanomagneettien verkostoon muuttaa magneettien tilaa syöttökentän ominaisuuksien, mutta myös ympäröivien magneettien tilojen perusteella.
Tiimi, jota johtivat Imperiumin fysiikan laitoksen tutkijat, pystyivät sitten suunnittelemaan tekniikan, jolla lasketaan magneettien lukumäärä kussakin tilassa, kun kenttä on mennyt läpi, mikä antoi "vastauksen".
Tutkimuksen toinen kirjoittaja, tohtori Jack Gartside sanoi: "Olemme jo pitkään yrittäneet ratkaista ongelmaa, joka liittyy tietojen syöttämiseen, kysymyksen esittämiseen ja vastauksen saamiseen magneettisesta laskennasta. Nyt olemme osoittaneet, että se voidaan tehdä, se tasoittaa tietä päästä eroon tietokoneohjelmistosta, joka suorittaa energiaintensiivisen simulaation."
Ensimmäinen kirjoittaja Kilian Stenning lisäsi: "Miten magneetit toimivat vuorovaikutuksessa, saamme kaiken tarvitsemamme tiedon; itse fysiikan laeista tulee tietokone."
Tiimin johtaja Dr. Will Branford sanoi: "Pitkän aikavälin tavoitteena on ollut toteuttaa Sherringtonin ja Kirkpatrickin ohjelmistoalgoritmien inspiroima tietokonelaitteisto. Ei ollut mahdollista käyttää atomien spinejä tavanomaisissa magneeteissa, mutta skaalaamalla spinit nanokuvioiduiksi ryhmiksi olemme pystyneet saavuttamaan tarvittavan ohjauksen ja lukeman.
Energiakustannusten alentaminen
Tekoälyä käytetään nyt useissa yhteyksissä äänentunnistuksesta itseohjautuviin autoihin. Mutta tekoälyn kouluttaminen tekemään jopa suhteellisen yksinkertaisia tehtäviä voi viedä valtavia määriä energiaa. Esimerkiksi tekoälyn kouluttaminen ratkaisemaan Rubikin kuution vei energiaa vastaavan määrän kuin kaksi ydinvoimalaa, jotka olisivat olleet käynnissä tunnin ajan.
Suuri osa tavanomaisissa piisirutietokoneissa tämän saavuttamiseen käytetystä energiasta menee hukkaan elektronien tehottomaan kuljetukseen käsittelyn ja muistin tallennuksen aikana. Nanomagneetit eivät kuitenkaan ole riippuvaisia hiukkasten, kuten elektronien, fyysisestä kuljetuksesta, vaan käsittelevät ja siirtävät tietoa "magnon-aallon" muodossa, jossa jokainen magneetti vaikuttaa viereisten magneettien tilaan.
Tämä tarkoittaa, että paljon vähemmän energiaa menetetään ja että tietojen käsittely ja tallennus voidaan tehdä yhdessä sen sijaan, että ne olisivat erillisiä prosesseja kuten perinteisissä tietokoneissa. Tämä innovaatio voisi tehdä nanomagneettisesta laskennasta jopa 100 000 kertaa tehokkaampaa kuin perinteinen tietojenkäsittely.
Tekoäly reunalla
Tiimi opettaa seuraavaksi järjestelmän käyttämään todellista dataa, kuten EKG-signaaleja, ja toivoo voivansa tehdä siitä todellisen tietokonelaitteen. Lopulta magneettijärjestelmiä voitaisiin integroida perinteisiin tietokoneisiin energiatehokkuuden parantamiseksi intensiivisiin prosessointitehtäviin.
Niiden energiatehokkuus tarkoittaa myös sitä, että ne voitaisiin toteuttaa uusiutuvalla energialla ja niitä voidaan käyttää "tekälyöntiin" eli käsittelemään tietoja sieltä, missä niitä kerätään, kuten Etelämantereen sääasemilta sen sijaan, että ne lähettäisivät ne takaisin suuria datakeskuksia.
Se tarkoittaa myös, että niitä voidaan käyttää puettavissa laitteissa kehon biometristen tietojen käsittelyyn, kuten diabeetikkojen insuliinitasojen ennustamiseen ja säätelyyn tai epänormaalien sydämenlyöntien havaitsemiseen.
Viite: Jack C. Gartside, Kilian D. Stenning, Alex Vanstone, Holly H. Holder, Daan M. Arroo, Troy Dion "Uudelleenkonfiguroitava harjoittelu ja säiliölaskenta keinotekoisessa spin-vortex-jäässä spin-aaltosormenjälkien avulla" , Francesco Caravelli, Hidekazu Kurebayashi ja Will R. Branford, 5. toukokuuta 2022, Nature Nanotechnology.
DOI: 10.1038/s41565-022-01091-7
