L'informatique nanomagnétique pourrait réduire considérablement la consommation d'énergie de l'IA

Republié par Platon

Suiveurs: 0

À mesure que l'Internet des objets se développe, les ingénieurs veulent intégrer l'IA dans tout, mais la quantité d'énergie qu'elle nécessite est un défi pour les appareils les plus petits et les plus distants. Une nouvelle approche informatique « nanomagnétique » pourrait apporter une solution.

Alors que la plupart AI le développement actuel se concentre sur de grands modèles complexes exécutés dans d'énormes centres de données, il existe également une demande croissante pour des moyens d'exécuter des applications d'IA plus simples sur des appareils plus petits et plus limités en puissance.

Pour de nombreuses applications, des appareils portables aux capteurs industriels intelligents en passant par les drones, envoyer des données à des systèmes d'IA basés sur le cloud n'a aucun sens. Cela peut être dû à des préoccupations concernant le partage de données privées ou aux retards inévitables liés à la transmission des données et à l'attente d'une réponse.

Mais bon nombre de ces appareils sont trop petits pour héberger le type de processeurs haute puissance normalement utilisés pour l'IA. Ils ont également tendance à fonctionner avec des piles ou de l'énergie récupérée de l'environnement, et ne peuvent donc pas répondre aux exigences d'alimentation exigeantes des approches conventionnelles d'apprentissage en profondeur.

Cela a conduit à un nombre croissant de recherches sur de nouvelles approches matérielles et informatiques qui permettent d'exécuter l'IA sur ces types de systèmes. Une grande partie de ce travail a cherché à emprunter au cerveau, qui est capable d'incroyables prouesses informatiques tout en utilisant la même quantité d'énergie qu'une ampoule. Ceux-ci incluent des puces neuromorphiques qui imitent le câblage du cerveau et des processeurs construits à partir de memristances—des composants électroniques qui se comportent comme des neurones biologiques.

Nouvelle recherche menée by Des scientifiques de l'Imperial College de Londres suggèrent que l'informatique avec des réseaux d'aimants à l'échelle nanométrique pourrait être une alternative prometteuse. Dans un papier publié la semaine dernière dans Natural Nanotechnology, l'équipe a montré qu'en appliquant des champs magnétiques à un réseau de minuscules éléments magnétiques, ils pouvaient entraîner le système à traiter des données complexes et à fournir des prédictions en utilisant une fraction de la puissance d'un ordinateur normal.

Au cœur de leur approche se trouve ce qu'on appelle un métamatériau, un matériau fabriqué par l'homme dont la structure physique interne est soigneusement conçue pour lui donner des propriétés inhabituelles que l'on ne trouve normalement pas dans la nature. En particulier, l'équipe a créé un "système de spin artificiel", un arrangement de nombreux nanoaimants qui se combinent pour présenter un comportement magnétique exotique.

Leur conception est constituée d'un réseau de centaines de barres de permalloy de 600 nanomètres de long, un alliage nickel-fer hautement magnétique. Ces barres sont disposées selon un motif répétitif de X dont les bras supérieurs sont plus épais que leurs bras inférieurs.

Normalement, les systèmes de spin artificiels ont une seule texture magnétique, qui décrit le schéma de magnétisation à travers ses nanoaimants. Mais le métamatériau de l'équipe impériale présente deux textures distinctes et la possibilité pour différentes parties de basculer entre elles en réponse aux champs magnétiques.

Les chercheurs ont utilisé ces propriétés pour mettre en œuvre une forme d'IA connue sous le nom de calcul de réservoir. Contrairement à l'apprentissage en profondeur, dans lequel un réseau neuronal recâble ses connexions lorsqu'il s'entraîne sur une tâche, cette approche alimente en données un réseau dont les connexions sont toutes fixes et forme simplement une seule couche de sortie pour interpréter ce qui sort de ce réseau.

Il est également possible de remplacer ce réseau fixe par des systèmes physiques, y compris des choses comme des memristors ou des oscillateurs, tant qu'ils ont certaines propriétés, comme une réponse non linéaire aux entrées et une certaine forme de mémoire des entrées précédentes. Le nouveau système de rotation artificielle répond à ces exigences. L'équipe l'a donc utilisé comme réservoir pour effectuer une série de tâches de traitement de données.

Ils entrent des données dans le système en le soumettant à des séquences de champs magnétiques avant de permettre sa propre dynamique interne à traiter les données. Ils ont ensuite utilisé une technique d'imagerie appelée résonance ferromagnétique pour déterminer la distribution finale des nanoaimants, qui a fourni la réponse.

Bien qu'il ne s'agisse pas de tâches pratiques de traitement de données, l'équipe a pu montrer que leur appareil était capable de faire correspondre les principaux schémas de calcul de réservoir sur une série de défis de prédiction impliquant des données qui varient dans le temps. Surtout, ils ont montré qu'il était capable d'apprendre efficacement sur des ensembles de formation assez courts, ce qui serait important dans de nombreuses applications IoT du monde réel.

Et non seulement l'appareil est très petit, mais le fait qu'il utilise des champs magnétiques pour effectuer des calculs plutôt que de faire la navette avec de l'électricité signifie qu'il consomme beaucoup moins d'énergie. Dans un communiqué de presse, les chercheurs estiment qu'une fois mis à l'échelle, il pourrait être 100,000 XNUMX fois plus efficace que l'informatique conventionnelle.

Il reste encore un long chemin à parcourir avant que ce type d'appareil puisse être mis en pratique, mais les résultats suggèrent que les ordinateurs basés sur des aimants pourraient jouer un rôle important dans l'intégration de l'IA partout.

Crédit image: BarbaraJackson / 264 images

Horodatage: 9 mai 2022