AI-mallit ja alustat

Tutkijat osoittavat tekoälylaskennan onnistuvan nanomagneeteilla

Alex McFarland
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatNanomagneettinen laskenta voisi vähentää tekoälyn energiakustannuksia jopa 100…
Näytä lisää
  • Nanomagneettinen laskenta voisi vähentää tekoälyn energiakustannuksia jopa 100 000-kertaisesti.
  • Tekniikka käyttää fyysisiä magneettivuorovaikutuksia energiaa kuluttavien ohjelmistosimulaatioiden sijaan.
  • Nanomagneettiverkot voivat nyt suorittaa aikasarjaennusteita, kuten insuliinitason ennustamista.

Lontoon Imperial College -yliopiston tutkijaryhmä on osoittanut, miten on mahdollista suorittaa tekoälyä (AI) käyttämällä hyvin pieniä nanomagneetteja, jotka vuorovaikuttavat aivojen hermosolujen tavoin.

Tämä uusi “nanomagneettinen” laskentamenetelmä voisi leikata tekoälyyn liittyviä energiakustannuksia. Tämä on tärkeää, koska tekoälyn energiakustannukset kaksinkertaistuvat maailmanlaajuisesti 3,5 kuukauden välein.

Tutkimus julkaistiin Nanotechnology-lehdessä.

Tekoälymäinen prosessointi nanomagneetteja käyttäen

Tutkimusartikkelissa tutkijaryhmä osoitti ensimmäisen kerran, että nanomagneettiverkot voivat saavuttaa tekoälymäisen prosessoinnin. He myös osoittivat, miten näitä nanomagneetteja voidaan käyttää “aikasarjaprediktio”-tehtävissä, kuten esimerkiksi diabeetikkojen insuliinitasojen ennustamisessa.

Perinteiset neuroverkot perustuvat siihen, miten ihmisaivot toimivat, hermosolujen viestitellessä toisilleen tiedon prosessoinnissa. On kuitenkin ollut haasteita käyttää magneetteja suoraan tässä prosessissa, koska tutkijat eivät ole tienneet, miten dataa syötetään tai miten tietoa haetaan.

Asiantuntijat simuloivat yleensä magneettisten vuorovaikutusten toimintaa ohjelmistojen avulla perinteisillä piipohjaisilla tietokoneilla, mikä auttaa simuloimaan aivoja. Nykyinen edistysaskel oli se, että tutkijaryhmä käytti itse magneetteja tiedon prosessoinnissa ja tallennuksessa, mikä poistaa tarpeen ohjelmistosimulaatiolle.

Nanomagneetit eivät ole kaikki samanlaisia. Sen sijaan ne ovat eri “tiloissa”, jotka riippuvat suunnasta. Soveltamalla magneettista kenttää nanomagneettiverkkoon, magneettien tila voi muuttua kentän ominaisuuksien ja ympäröivien magneettien tilan mukaan.

Uuden tekniikan suunnittelu

Tutkijaryhmä pystyi ottamaan tämän ja suunnittelemaan tekniikan, jolla voidaan laskea magneettien määrä kussakin tilassa kentän kulkeuduttua läpi.

Tohtori Jack Gartside on yksi tutkimuksen jaetuista ensimmäisistä kirjoittajista.

“Olemme yrittäneet ratkaista ongelmaa, miten syötetään dataa, kysytään kysymys ja saadaan vastaus magneettisesta laskennasta pitkään”, tohtori Gartside sanoi. “Nyt olemme osoittaneet, että se voidaan tehdä, mikä mahdollistaa tietokoneohjelmiston poistamisen, joka tekee energiankulutukseltaan vaativan simulaation.”

Killian Stenning on yksi tutkimuksen jaetuista ensimmäisistä kirjoittajista.

“Miten magneetit vuorovaikuttavat, antaa meille kaiken tarvittavan tiedon; itse fysiikan lait muodostavat tietokoneen”, Stenning sanoi.

Tohtori Will Branford on tutkijaryhmän johtaja.

“On ollut pitkäaikainen tavoite toteuttaa tietokonelaitteistoa, joka saa innoituksensa Sherringtonin ja Kirkpatrickin ohjelmistoalgoritmeista”, tohtori Branford sanoi. “Se ei ollut mahdollista käyttämällä atomeilla olevia spinejä perinteisissä magneeteissa, mutta skaalaamalla spinit nanokuvioiduiksi matriiseiksi olemme pystyneet saavuttamaan tarvittavan hallinnan ja lukemisen.”

Energiahävikin vähentäminen

Suuri osa tekoälyyn liittyvistä energiakustannuksista perinteisissä piipohjaisissa tietokoneissa menevät hukkaan epätehokkaan elektronien kuljettamisen vuoksi prosessoinnissa ja muistivarastoinnissa. Toisaalta nanomagneetit eivät vaadi fyysistä hiukkasten siirtämistä, kuten elektroneja. Ne prosessoivat ja siirtävät tietoa “magnon”-aallon avulla, jossa jokainen magneetti vaikuttaa muiden läheisten magneettien tilaan.

Tämä prosessi johtaa vähemmän energiahävikkiin. Tiedon prosessointi ja tallennus tehdään yhdessä, eikä erikseen, kuten perinteisissä tietokoneissa. Kaikkien näiden edistysten ansiosta nanomagneettinen laskenta voi olla jopa 100 000 kertaa tehokkaampaa kuin perinteinen laskenta.

Alex johtaa Unite.AI:n tekoälypohjaista uutistoimintaa, yhdistäen journalismia, tutkimusta ja automaatiota tukeakseen ajantasaista ja skaalautuvaa tekoälyä koskevaa uutisointia. Hänen työnsä auttaa varmistamaan, että nousevat tekoälykehitykset saadaan esiin tehokkaasti samalla kun julkaisun toimitukselliset standardit säilyvät.