Model dan platform AI

Peneliti Menunjukkan Komputasi “Nanomagnetik” AI

Alex McFarland
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaKomputasi nanomagnetik dapat memangkas biaya energi AI hingga 100.000 kali lipat.
Lihat selengkapnya
  • Komputasi nanomagnetik dapat memangkas biaya energi AI hingga 100.000 kali lipat.
  • Teknik ini menggunakan interaksi magnet fisik, bukan simulasi perangkat lunak yang boros energi.
  • Jaringan nanomagnet kini dapat melakukan prediksi deret waktu seperti peramalan kadar insulin.

Tim peneliti di Imperial College London telah menunjukkan bagaimana memungkinkan untuk melakukan kecerdasan buatan (AI) dengan nanomagnet kecil yang berinteraksi seperti neuron otak.

Metode baru ini dari “komputasi nanomagnetik” dapat mengurangi biaya energi yang terkait dengan AI. Ini sangat penting mengingat biaya energi AI meningkat dua kali lipat secara global setiap 3,5 bulan.

Penelitian ini diterbitkan di jurnal Nanotechnology.

Mencapai Pemrosesan Mirip AI Dengan Nanomagnet

Dalam makalah penelitian, tim menunjukkan bukti pertama bahwa jaringan nanomagnet dapat mencapai pemrosesan mirip AI. Mereka juga menunjukkan bagaimana nanomagnet ini dapat digunakan untuk tugas ‘prediksi seri waktu’, yang termasuk hal-hal seperti memprediksi tingkat insulin untuk pasien diabetes.

Jaringan neural klasik didasarkan pada cara kerja otak manusia, dengan neuron berkomunikasi satu sama lain untuk pemrosesan informasi. Namun, telah sulit untuk menggunakan magnet secara langsung dalam proses ini, dengan peneliti tidak tahu bagaimana memasukkan data atau mengekstrak informasi.

Untuk mensimulasikan interaksi magnet, ahli biasanya mengandalkan perangkat lunak yang dijalankan pada komputer silikon tradisional, yang membantu mensimulasikan otak. Kemajuan saat ini menyaksikan tim menggunakan magnet itu sendiri untuk memproses dan menyimpan data, yang menghilangkan kebutuhan akan simulasi perangkat lunak.

Nanomagnet tidak semua sama. Sebaliknya, mereka datang dalam berbagai ‘keadaan’ yang bergantung pada arahnya. Dengan menerapkan medan magnet pada jaringan nanomagnet, keadaan magnet dapat berubah berdasarkan sifat medan input dan keadaan magnet sekitarnya.

Merancang Teknik Baru

Tim dapat mengambil ini dan merancang teknik untuk menghitung jumlah magnet dalam setiap keadaan setelah medan melewati.

Dr. Jack Gartside adalah salah satu penulis pertama bersama studi ini.

“Kami telah mencoba memecahkan masalah bagaimana memasukkan data, mengajukan pertanyaan, dan mendapatkan jawaban dari komputasi magnetik selama waktu yang lama,” kata Dr. Gartside. “Sekarang kami telah membuktikan bahwa itu dapat dilakukan, itu membuka jalan untuk menghilangkan perangkat lunak komputer yang melakukan simulasi yang intensif energi.”

Killian Stenning adalah salah satu penulis pertama bersama makalah ini.

“Bagaimana magnet berinteraksi memberikan kami semua informasi yang kami butuhkan; hukum fisika itu sendiri menjadi komputer,” kata Stenning.

Dr. Will Branford adalah pemimpin tim.

“Telah menjadi tujuan jangka panjang untuk mewujudkan perangkat keras komputer yang terinspirasi oleh algoritma perangkat lunak Sherrington dan Kirkpatrick,” kata Dr. Branford. “Itu tidak mungkin menggunakan spin pada atom dalam magnet konvensional, tetapi dengan menskala spin menjadi susunan berpola nano, kami telah dapat mencapai kontrol dan pembacaan yang diperlukan.”

Mengurangi Pemborosan Energi

Banyak energi yang digunakan untuk AI dalam komputer silikon konvensional terbuang karena transportasi elektron yang tidak efisien selama pemrosesan dan penyimpanan memori. Di sisi lain, nanomagnet tidak memerlukan transportasi fisik partikel seperti elektron. Mereka memproses dan mentransfer informasi dengan gelombang ‘magnon’, dengan setiap magnet mempengaruhi keadaan magnet lain di sekitarnya.

Proses ini menghasilkan lebih sedikit pemborosan energi. Pemrosesan dan penyimpanan informasi dilakukan bersama-sama bukan terpisah, seperti halnya pada komputer tradisional. Dengan semua kemajuan ini, komputasi nanomagnetik dapat menjadi hingga 100.000 kali lebih efisien daripada komputasi konvensional.

Alex memimpin operasi berita berbasis AI di Unite.AI, menggabungkan jurnalisme, riset, dan otomasi untuk mendukung liputan kecerdasan buatan yang tepat waktu dan skalabel. Pekerjaannya membantu memastikan perkembangan AI yang muncul ditampilkan secara efisien sambil mempertahankan standar editorial publikasi.