Искусственный интеллект можно реализовать с помощью крошечных наномагнитов
Исследователи показали, что искусственный интеллект можно реализовать с помощью крошечных наномагнитов, которые взаимодействуют подобно нейронам в мозгу. Новый метод, разработанный группой исследователей из Имперского колледжа Лондона, может сократить затраты на электроэнергию искусственного интеллекта (ИИ), которые в настоящее время удваиваются во всем мире каждые 3,5 месяца.
В статье, опубликованной сегодня в журнале Nature Nanotechnology , международная команда представила первое доказательство того, что сети наномагнитов можно использовать для выполнения обработки, подобной ИИ. Исследователи показали, что наномагниты можно использовать для задач «прогнозирования временных рядов», таких как прогнозирование и регулирование уровня инсулина у пациентов с диабетом.
Искусственный интеллект, который использует «нейронные сети », стремится воспроизвести то, как работают части мозга, где нейроны общаются друг с другом для обработки и сохранения информации. Многие математики, используемые для питания нейронных сетей, изначально были изобретены физиками для описания взаимодействия магнитов, но в то время было слишком сложно использовать магниты напрямую, поскольку исследователи не знали, как вводить данные и получать информацию.
Вместо этого программное обеспечение, работающее на традиционных компьютерах на основе кремния, использовалось для имитации взаимодействия магнитов, что, в свою очередь, имитировало мозг. Теперь команда смогла использовать сами магниты для обработки и хранения данных, избавившись от посредников в программном моделировании и потенциально обеспечив огромную экономию энергии.
Наномагнитные состояния
Наномагнетики могут находиться в различных «состояниях» в зависимости от их направления. Применение магнитного поля к сети наномагнетиков изменяет состояние магнитов в зависимости от свойств входного поля, а также от состояний окружающих магнитов.
Команда, возглавляемая исследователями Имперского отдела физики, затем смогла разработать метод подсчета количества магнитов в каждом состоянии после прохождения поля, что дало «ответ».
Один из первых авторов исследования, доктор Джек Гартсайд, сказал: «Мы долгое время пытались решить проблему ввода данных, постановки вопроса и получения ответа с помощью магнитных вычислений доказано, что это можно сделать, это прокладывает путь к избавлению от компьютерного программного обеспечения, которое выполняет энергоемкое моделирование».
Соавтор Килиан Стеннинг добавил: «То, как взаимодействуют магниты, дает нам всю необходимую информацию; сами законы физики становятся компьютером».
Руководитель группы доктор Уилл Брэнфорд сказал: «Долгосрочной целью было реализовать компьютерное оборудование, вдохновленное программными алгоритмами Шеррингтона и Киркпатрика. Было невозможно использовать спины атомов в обычных магнитах, но можно было увеличить спины в массивы с наноструктурой мы смогли добиться необходимого контроля и считывания».
Снижение стоимости энергии
В настоящее время искусственный интеллект используется в различных контекстах, от распознавания голоса до беспилотных автомобилей. Но обучение ИИ даже относительно простым задачам может потребовать огромных затрат энергии. Например, для обучения ИИ сбору кубика Рубика требуется энергия, эквивалентная двум атомным электростанциям, работающим в течение часа.
Большая часть энергии, используемой для достижения этой цели в обычных компьютерах с кремниевыми чипами, тратится впустую на неэффективный перенос электронов во время обработки и хранения в памяти. Однако наномагнетики не полагаются на физический транспорт частиц, таких как электроны, а вместо этого обрабатывают и передают информацию в форме «магнонной» волны, где каждый магнит влияет на состояние соседних магнитов.
Это означает, что теряется гораздо меньше энергии и что обработка и хранение информации могут выполняться вместе, а не отдельными процессами, как в обычных компьютерах. Эта инновация может сделать наномагнитные вычисления в 100 000 раз более эффективными, чем обычные вычисления.
ИИ на грани
Затем команда будет обучать систему, используя данные реального мира, такие как сигналы ЭКГ, и надеется превратить ее в настоящее вычислительное устройство. В конце концов, магнитные системы можно будет интегрировать в обычные компьютеры, чтобы повысить энергоэффективность для интенсивных задач обработки.
Их энергоэффективность также означает, что они могут питаться от возобновляемых источников энергии и использоваться для «ИИ на периферии» — обработки данных там, где они собираются, например, на метеостанциях в Антарктиде, а не отправки их обратно в крупные центры обработки данных.
Это также означает, что их можно использовать на носимых устройствах для обработки биометрических данных о теле, таких как прогнозирование и регулирование уровня инсулина у людей с диабетом или обнаружение аномальных сердечных сокращений.
