Yapay zeka modelleri ve platformları

Araştırmacılar nanomanyetik yapay zekâ hesaplamasını gösterdi

Alex McFarland
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarNanomanyetik hesaplama, yapay zeka enerji maliyetlerini 100.000 kata kadar düşürebilir.
Daha fazla göster
  • Nanomanyetik hesaplama, yapay zeka enerji maliyetlerini 100.000 kata kadar düşürebilir.
  • Teknik, enerji yoğun yazılım simülasyonları yerine fiziksel mıknatıs etkileşimlerini kullanır.
  • Nanomıknatıs ağları artık insülin seviyesi tahmini gibi zaman serisi öngörüleri gerçekleştirebiliyor.

Imperial College London’da bir araştırma ekibi, beyin hücrelerinin çalışması gibi etkileşime giren küçük nanomıknatıslarla yapay zeka (AI) gerçekleştirmenin mümkün olduğunu gösterdi.

Bu yeni “nanomanyetik” hesaplama yöntemi, AI ile ilgili enerji maliyetlerini azaltabilir. Bu, AI enerji maliyetlerinin küresel olarak her 3,5 ayda iki katına çıktığı düşünüldüğünde çok önemlidir.

Araştırma, Nanotechnology dergisinde yayımlandı.

Nanomıknatıslarla AI Gibi İşlem Yapma

Araştırma makalesinde, ekip nanomıknatıs ağlarının AI benzeri işlemleri gerçekleştirebileceğini kanıtladı. Ayrıca, bu nanomıknatısların ‘zaman serisi tahmini’ görevleri için nasıl kullanılabileceğini gösterdiler, bunlar arasında diyabetli hastalar için insülin seviyelerini tahmin etmek gibi şeyler vardır.

Klasik sinir ağları, insan beyninin çalışma şekline dayanır, nöronlar birbirleriyle iletişim kurarak bilgi işler. Ancak, mıknatısları doğrudan bu sürece dahil etmek zor olmuştur, çünkü araştırmacılar veriyi nasıl gireceklerini veya bilgiyi nasıl çıkaracaklarını bilmiyorlardı.

Manyetik etkileşimleri simüle etmek için uzmanlar genellikle geleneksel silikon tabanlı bilgisayarlarda çalışan yazılımlara güveniyorlar, bu da beyni simüle etmeye yardımcı oluyor. Bu ilerleme sayesinde ekip, verileri işlemek ve depolamak için doğrudan mıknatısları kullandı; böylece yazılım simülasyonuna duyulan ihtiyaç ortadan kalktı.

Nanomıknatıslar hepsi aynı değil. Bunun yerine, yönlerine bağlı olarak farklı durumlarda bulunurlar. Bir manyetik alan uygulandığında, mıknatısların durumu girdinin özelliklerine ve etrafındaki mıknatısların durumuna bağlı olarak değişebilir.

Yeni Tekniğin Tasarlanması

Ekip, manyetik alan geçtikten sonra her durumda kaç mıknatıs olduğunu saymak için bir teknik tasarlayabildi.

Dr. Jack Gartside çalışmanın ortak ilk yazarı.

“Manyetik bilgisayarla veri girişi, soru sorma ve cevap alma sorununu uzun süredir çözmeye çalışıyorduk” dedi Dr. Gartside. “Şimdi bunu yapabileceğimizi kanıtladık, enerji yoğun simülasyonu yapan bilgisayar yazılımlarından kurtulmanın yolunu açtı.”

Killian Stenning makalenin ortak ilk yazarı.

“Manyetiklerin nasıl etkileşime girdiği bize gerekli tüm bilgiyi veriyor; fizik yasaları kendileri bilgisayarın işlevini görüyor” dedi Stenning.

Dr. Will Branford ekibin lideri.

“Sherrington ve Kirkpatrick’in yazılım algoritmalarından esinlenen bilgisayar donanımı gerçekleştirmek uzun vadeli bir hedefdi” dedi Dr. Branford. “Konvansiyonel mıknatıslardaki atomlardaki spinleri kullanarak mümkün değildi, ancak spinleri nano desenli dizilere ölçekleyerek gerekli kontrolü ve okunabilirliği başardık.”

Enerji İsrafını Azaltma

Geleneksel silikon çip bilgisayarlardaki AI için kullanılan enerjinin büyük bir kısmı, işleme ve bellek depolama sırasında elektronların verimsiz taşınması nedeniyle boşa harcanıyor. Öte yandan, nanomıknatıslar elektronlar gibi parçacıkların fiziksel taşınmasını gerektirmez. Bilgiyi bir magnon dalgası aracılığıyla işler ve aktarırlar; her mıknatıs çevresindeki diğer mıknatısların durumunu etkiler.

Bu işlem daha az enerji israfına neden olur. Bilgi işleme ve depolama birlikte yapılır, geleneksel bilgisayarlardaki gibi ayrı ayrı değil. Tüm bu gelişmelerle birlikte, nanomanyetik hesaplama geleneksel hesaplama yönteminden 100.000 kata kadar daha verimli olabilir.

Alex, Unite.AI’nin AI destekli haber operasyonlarını yönetiyor, gazetecilik, araştırma ve otomasyonu birleştirerek yapay zekanın zamanında ve ölçeklenebilir şekilde kapsanmasını destekliyor. Çalışması, ortaya çıkan AI gelişmelerinin verimli bir şekilde ortaya konulmasını sağlarken, yayının editöryel standartlarını korumasına yardımcı olur.