Onderzoekers hebben aangetoond dat het mogelijk is om kunstmatige intelligentie uit te voeren met behulp van kleine nanomagneten die op elkaar inwerken als neuronen in de hersenen.

De nieuwe methode, ontwikkeld door een team onder leiding van onderzoekers van het Imperial College London, zou de energiekosten van kunstmatige intelligentie (AI), die momenteel wereldwijd elke 3,5 maand verdubbelt, kunnen verlagen.

In een artikel dat vandaag is gepubliceerd in Nature Nanotechnology , heeft het internationale team het eerste bewijs geleverd dat netwerken van nanomagneten kunnen worden gebruikt om AI-achtige verwerking uit te voeren. De onderzoekers toonden aan dat nanomagneten kunnen worden gebruikt voor 'tijdreeksvoorspelling'-taken, zoals het voorspellen en reguleren van insulinespiegels bij diabetespatiënten.

Kunstmatige intelligentie die gebruikmaakt van 'neurale netwerken' heeft tot doel de manier waarop delen van de hersenen werken na te bootsen, waar neuronen met elkaar praten om informatie te verwerken en vast te houden. Veel van de wiskunde die wordt gebruikt om neurale netwerken van stroom te voorzien, is oorspronkelijk uitgevonden door natuurkundigen om de manier waarop magneten op elkaar inwerken te beschrijven, maar in die tijd was het te moeilijk om magneten rechtstreeks te gebruiken, omdat onderzoekers niet wisten hoe ze gegevens moesten invoeren en informatie eruit moesten halen.

In plaats daarvan werd software gebruikt op traditionele op silicium gebaseerde computers om de magneetinteracties te simuleren, waardoor de hersenen werden gesimuleerd. Nu kan het team de magneten zelf gebruiken om gegevens te verwerken en op te slaan, waardoor de tussenpersoon van de softwaresimulatie wordt uitgeschakeld en mogelijk enorme energiebesparingen worden geboden.

Nanomagnetische toestanden

Nanomagneten kunnen in verschillende 'toestanden' voorkomen, afhankelijk van hun richting. Het toepassen van een magnetisch veld op een netwerk van nanomagneten verandert de toestand van de magneten op basis van de eigenschappen van het invoerveld, maar ook van de toestanden van omringende magneten.

Het team, geleid door onderzoekers van het Imperial Department of Physics, was vervolgens in staat om een ​​techniek te ontwerpen om het aantal magneten in elke staat te tellen zodra het veld er doorheen is gegaan, wat het 'antwoord' gaf.

Mede-eerste auteur van de studie, Dr. Jack Gartside, zei:"We proberen al heel lang het probleem van het invoeren van gegevens, het stellen van een vraag en het krijgen van een antwoord uit magnetische computers op te lossen. Nu hebben we bewezen dat het kan, effent het de weg voor het wegwerken van de computersoftware die de energie-intensieve simulatie doet."

Mede-eerste auteur Kilian Stenning voegde toe:"Hoe de magneten op elkaar inwerken, geeft ons alle informatie die we nodig hebben; de natuurwetten zelf worden de computer."

Teamleider Dr. Will Branford zei:"Het is een langetermijndoel geweest om computerhardware te realiseren die is geïnspireerd op de software-algoritmen van Sherrington en Kirkpatrick. Het was niet mogelijk om de spins op atomen in conventionele magneten te gebruiken, maar door de spins op te schalen in arrays met nanopatronen hebben we de nodige controle en uitlezing kunnen bereiken."

Verlagen van energiekosten

AI wordt nu in verschillende contexten gebruikt, van spraakherkenning tot zelfrijdende auto's. Maar AI trainen om zelfs relatief eenvoudige taken uit te voeren, kan enorme hoeveelheden energie kosten. Het trainen van AI om een ​​Rubiks kubus op te lossen kostte bijvoorbeeld het energie-equivalent van twee kerncentrales die een uur draaien.

Veel van de energie die hiervoor in conventionele computers met siliciumchips wordt gebruikt, wordt verspild aan inefficiënt transport van elektronen tijdens verwerking en geheugenopslag. Nanomagneten zijn echter niet afhankelijk van het fysieke transport van deeltjes zoals elektronen, maar verwerken en dragen informatie over in de vorm van een 'magnon'-golf, waarbij elke magneet de toestand van naburige magneten beïnvloedt.

Dit betekent dat er veel minder energie verloren gaat en dat de verwerking en opslag van informatie samen kan worden gedaan, in plaats van afzonderlijke processen zoals bij conventionele computers. Deze innovatie kan nanomagnetisch computergebruik tot 100.000 keer efficiënter maken dan conventioneel computergebruik.

AI aan de rand

Het team zal het systeem vervolgens leren met behulp van real-world gegevens, zoals ECG-signalen, en hopen er een echt computerapparaat van te maken. Uiteindelijk zouden magnetische systemen in conventionele computers kunnen worden geïntegreerd om de energie-efficiëntie voor intensieve verwerkingstaken te verbeteren.

Hun energie-efficiëntie betekent ook dat ze mogelijk worden aangedreven door hernieuwbare energie en worden gebruikt om 'AI aan de rand' te doen - de gegevens verwerken waar ze worden verzameld, zoals weerstations op Antarctica, in plaats van ze terug te sturen naar grote datacenters .

Het betekent ook dat ze kunnen worden gebruikt op draagbare apparaten om biometrische gegevens over het lichaam te verwerken, zoals het voorspellen en reguleren van insulineniveaus voor diabetici of het detecteren van abnormale hartslagen. + Verder verkennen

Lerende magneten kunnen leiden tot energiezuinige gegevensverwerking