Modelos e plataformas de IA
Pesquisadores Demonstram Computação “Nanomagnética” de IA
Pontos-chaveA computação nanomagnética pode reduzir os custos de energia da IA em até 100.000 vezes.
Ver mais
- A computação nanomagnética pode reduzir os custos de energia da IA em até 100.000 vezes.
- A técnica utiliza interações físicas de ímãs em vez de simulações de software que consomem muita energia.
- Redes de nanoímãs agora podem realizar previsões de séries temporais, como a previsão dos níveis de insulina.
Uma equipe de pesquisadores do Imperial College London demonstrou como é possível realizar inteligência artificial (IA) com minúsculos nanoímãs que interagem como os neurônios do cérebro.
Esse novo método de computação “nanomagnética” pode reduzir os custos de energia relacionados à IA. Isso é crucial, considerando que os custos de energia da IA estão dobrando globalmente a cada 3,5 meses.
A pesquisa foi publicada na revista Nanotechnology.
Alcançando Processamento Semelhante à IA com Nanoímãs
No artigo de pesquisa, a equipe demonstrou a primeira prova de que redes de nanoímãs podem alcançar processamento semelhante à IA. Eles também mostraram como esses nanoímãs podem ser usados para tarefas de previsão de séries temporais, que incluem coisas como prever níveis de insulina para pacientes diabéticos.
As redes neurais clássicas são baseadas na forma como o cérebro humano funciona, com neurônios se comunicando entre si para o processamento de informações. No entanto, tem sido difícil usar ímãs diretamente nesse processo, com pesquisadores não sabendo como colocar dados ou extrair informações.
Para simular interações de ímãs, os especialistas geralmente confiam em software executado em computadores tradicionais baseados em silício, o que ajuda a simular o cérebro. O avanço atual testemunhou a equipe usando os próprios ímãs para processar e armazenar dados, o que elimina a necessidade de simulação de software.
Os nanoímãs não são todos iguais. Em vez disso, eles vêm em vários “estados” que dependem de sua direção. Ao aplicar um campo magnético a uma rede de nanoímãs, o estado dos ímãs pode mudar com base nas propriedades do campo de entrada e dos estados dos ímãs circundantes.
Projetando a Nova Técnica
A equipe conseguiu fazer isso e projetar uma técnica para contar o número de ímãs em cada estado após o campo passar por ele.
O Dr. Jack Gartside é um dos dois primeiros autores, em igualdade de contribuição, do estudo.
“Nós estamos tentando resolver o problema de como inserir dados, fazer uma pergunta e obter uma resposta da computação magnética por um longo tempo”, disse o Dr. Gartside. “Agora que provamos que isso pode ser feito, abre caminho para eliminar o software do computador que faz a simulação intensiva em energia.”
Killian Stenning é um dos dois primeiros autores, em igualdade de contribuição, do artigo.
“Como os ímãs interagem nos dá todas as informações de que precisamos; as leis da física se tornam o computador”, disse Stenning.
O Dr. Will Branford é o líder da equipe.
“Foi um objetivo de longo prazo realizar hardware de computador inspirado nos algoritmos de software de Sherrington e Kirkpatrick”, disse o Dr. Branford. “Não foi possível usando os spins em átomos em ímãs convencionais, mas escalando os spins em arranjos com padrões em escala nanométrica, conseguimos alcançar o controle e a leitura necessários.”
Reduzindo o Desperdício de Energia
Muita da energia usada para IA em computadores convencionais baseados em chips de silício é desperdiçada devido ao transporte ineficiente de elétrons durante o processamento e armazenamento de memória. Por outro lado, os nanoímãs não requerem o transporte físico de partículas como elétrons. Eles processam e transferem informações com uma onda “magnon”, com cada ímã afetando o estado dos outros ao seu redor.
Esse processo resulta em menos desperdício de energia. O processamento e armazenamento de informações são feitos juntos, em vez de separadamente, como no caso de computadores tradicionais. Com todos esses avanços, a computação nanomagnética pode ser até 100.000 vezes mais eficiente do que a computação convencional.












