AI-modeller og platforme

Forskere demonstrerer AI “nanomagnetisk” beregning

Alex McFarland
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterNanomagnetisk databehandling kunne reducere AI-energiomkostninger med op til 100.000…
Vis mere
  • Nanomagnetisk databehandling kunne reducere AI-energiomkostninger med op til 100.000 gange.
  • Teknikken bruger fysiske magnetinteraktioner i stedet for energikrævende softwaresimuleringer.
  • Netværk af nanomagneter kan nu udføre tidsserieforudsigelser som insulin-niveauprognoser.

Et hold af forskere fra Imperial College London har demonstreret, hvordan det er muligt at udføre kunstig intelligens (AI) med små nanomagneter, der interagerer som hjernens neuroner.

Denne nye metode til “nanomagnetisk” beregning kan reducere energiomkostningerne i forbindelse med AI. Dette er afgørende, da AI-energiomkostningerne fordobles globalt hver 3,5 måned.

Forskningen er offentliggjort i tidsskriftet Nanotechnology.

Opnåelse af AI-lignende behandling med nanomagneter

I forskningsartiklen demonstrerede holdet det første bevis for, at netværk af nanomagneter kan opnå AI-lignende behandling. De viste også, hvordan disse nanomagneter kan bruges til “tidsrækkeprædiktionsopgaver”, der inkluderer ting som at forudsige insulinniveauer for diabetiske patienter.

Klassiske neurale netværk er baseret på, hvordan den menneskelige hjerne fungerer, med neuroner, der kommunikerer med hinanden for behandling af information. Det har dog været svært at bruge magneter direkte i denne proces, da forskerne ikke har vidst, hvordan de skal indsætte data eller udtrække information.

For at simulere magnetinteraktioner afhænger eksperter normalt af software, der køres på traditionelle silicium-baserede computere, som hjælper med at simulere hjernen. Den nuværende fremgang har betydet, at holdet har brugt magneter selv til at behandle og gemme data, hvilket eliminerer behovet for software-simulation.

Nanomagneter er ikke alle ens. I stedet kommer de i forskellige “tilstande”, der afhænger af deres retning. Ved at anvende et magnetfelt til et netværk af nanomagneter kan tilstanden af magneterne ændre sig afhængigt af egenskaberne af inputfeltet og tilstanden af omgivende magneter.

Design af den nye teknik

Holdet kunne tage dette og designe en teknik til at tælle antallet af magneter i hver tilstand efter feltet var passeret.

Dr. Jack Gartside er delt førsteforfatter af studiet.

“Vi har forsøgt at løse problemet med, hvordan vi kan indsætte data, stille et spørgsmål og få et svar ud af magnetisk beregning i lang tid,” sagde Dr. Gartside. “Nu har vi bevist, at det kan gøres, og det baner vejen for at eliminere computer-softwaren, der udfører den energi-intensive simulation.”

Killian Stenning er delt førsteforfatter af artiklen.

“Hvordan magneterne interagerer giver os al den information, vi behøver; fysikkens love selv bliver computeren,” sagde Stenning.

Dr. Will Branford er holdleder.

“Det har været et langsigtet mål at realisere computer-hardware inspireret af software-algoritmerne fra Sherrington og Kirkpatrick,” sagde Dr. Branford. “Det var ikke muligt ved hjælp af spin på atomer i konventionelle magneter, men ved at skalere spinnene op til nanomønstrede arrays har vi kunnet opnå den nødvendige kontrol og læsning.”

Reduktion af energi-spild

Meget af den energi, der bruges til AI i konventionelle, silicium-chip computere, går til spilde på grund af ineffektiv transport af elektroner under behandling og hukommelseslagring. På den anden side har nanomagneter ikke brug for den fysiske transport af partikler som elektroner. De behandler og overfører information med en “magnon”-bølge, hvor hver magnet påvirker tilstanden af andre omkring det.

Dette resulterer i mindre energi-spild. Behandling og lagring af information sker sammen i stedet for separat, som er tilfældet med traditionelle computere. Med alle disse fremskridt kan nanomagnetisk beregning være op til 100.000 gange mere effektiv end konventionel beregning.

Alex leder Unite.AI's AI-drevne nyhedsoperationer, der kombinerer journalistik, forskning og automatisering for at understøtte rettidig og skalerbar dækning af kunstig intelligens. Hans arbejde hjælper med at sikre, at nye AI-udviklinger fremhæves effektivt, samtidig med at publikationens redaktionelle standarder opretholdes.