Ερευνητές έδειξαν πως μπορούμε να έχουμε τεχνητή νοημοσύνη με χρήση μικροσκοπικών νανομαγνητών που αλληλεπιδρούν όπως οι νευρώνες του εγκεφάλου.
Η νέα μέθοδος, που αναπτύχθηκε από μια ομάδα με επικεφαλής ερευνητές από το Imperial College του Λονδίνου, δύναται να μειώσει το ενεργειακό κόστος της τεχνητής νοημοσύνης (AI), το οποίο, την παρούσα στιγμή, διπλασιάζεται παγκοσμίως κάθε 3,5 μήνες.
Σε μια εργασία που δημοσιεύτηκε στο Nature Nanotechnology, η διεθνής ομάδα παρουσιάζει τις πρώτες αποδείξεις για το ότι δίκτυα νανομαγνήτων μπορούν να να εκτελέσουν διεργασίες παρόμοιες με αυτές της τεχνητής νοημοσύνης. Οι ερευνητές έδειξαν ότι οι νανομαγνήτες μπορούν να χρησιμοποιηθούν για εργασίες «πρόβλεψης χρονοσειρών», όπως η πρόβλεψη και η ρύθμιση των επιπέδων της ινσουλίνης σε διαβητικούς ασθενείς.
Η τεχνητή νοημοσύνη που χρησιμοποιεί «νευρωνικά δίκτυα» αποσκοπεί στην αναπαραγωγή του τρόπου με τον οποίο λειτουργούν τα μέρη του εγκεφάλου, όπου οι νευρώνες επικοινωνούν μεταξύ τους για να επεξεργαστούν και να συγκρατήσουν πληροφορίες. Πολλά από τα μαθηματικά που χρησιμοποιήθηκαν για τα νευρωνικά δίκτύα, είχαν αρχικά επινοηθεί από φυσικούς για να περιγραφέι ο τρόπος με τον οποίο αλληλεπιδρούν μεταξύ τους οι μαγνήτες, αλλά εκείνη την εποχή ήταν πολύ δύσκολο να χρησιμοποιηθούν οι ίδιοι οι μαγνήτες καθώς οι ερευνητές δεν ήξεραν πώς να εισάγουν δεδομένα και να αντλήσουν πληροφορίες από αυτούς. Αντ’ αυτού, χρησιμοποιούσαν λογισμικό σε παραδοσιακούς υπολογιστές για να προσομοιώσουν τις αλληλεπιδράσεων των μαγνητών, οι οποίες με τη σειρά τους προσομοίωναν τον εγκέφαλο. Όμως τώρα, η επιστημονική ομάδα κατάφερε να επεξεργαστεί και να αποθηκεύσει δεδομένα χρησιμοποιώντας τους ίδιους τους μαγνήτες, βγάζοντας από την μέση τον μεσάζοντα (προσομοίωση μέσω λογισμικού), και προσφέροντας πιθανότατα τεράστια εξοικονόμηση ενέργειας.
Νανομαγνητικές καταστάσεις
Οι νανομαγνήτες μπορούν να βρεθούν σε διάφορες «φάσεις», ανάλογα με τον προσανατολισμό τους. Η εφαρμογή ενός μαγνητικού πεδίου σε ένα δίκτυο νανομαγνητών αλλάζει την κατάσταση τους με βάση τις ιδιότητες του πεδίου που εισάγουμε, αλλά και τις καταστάσεις στις οποίες βρίσκονται οι γειτονικοί τους μαγνήτες. Η ομάδα, με επικεφαλής τους ερευνητές του Imperial Department of Physics, μπόρεσε στη συνέχεια να σχεδιάσει μια τεχνική καταμέτρησης του αριθμού των μαγνητών που βρίσκονται σε κάθε κατάσταση μετά την εφαρμογή του πεδίου, καταμέτρηση η οποία παρέχει την «απάντηση».
Ο Dr. Jack Gartside, κύριος συν-συγγραφέας της μελέτης, λέει: “Προσπαθούμε να λύσουμε το πρόβλημα του τρόπου εισαγωγής δεδομένων -να υποβάλουμε μία ερώτηση και να λάβουμε απάντηση από τους μαγνητικούς υπολογιστές- εδώ και πολύ καιρό. Τώρα, που αποδείξαμε πως αυτό είναι εφικτό, ανοίγει ο δρόμος ώστε να απαλλαγούμε από το λογισμικό υπολογιστή που εκτελεί την ενεργοβόρα προσομοίωση». Ο επίσης κύριος συν-συγγραφέας Kilian Stenning προσθέτει: «Η αλληλεπίδραση των μαγνητών μας παρέχει όλες τις πληροφορίες που χρειαζόμαστε· οι ίδιοι οι νόμοι της φυσικής γίνονται ο υπολογιστής».
Ο επικεφαλής της ομάδας Δρ Γουίλ Μπράνφορντ αναφέρει: «Το να δημιουργήσουμε υλισμικό, εμπνευσμένο από τους αλγόριθμους των Sherrington και Kirkpatrick, αποτελούσε μακροπρόθεσμο στόχο. Δεν ήταν εφικτό μέσω της ιδιοστροφορμής (spin) των ατόμων των συμβατικών μαγνητών, αλλά μεγαλώνοντας την κλίμακα αυτού του spin με συστοιχίες νανομοτίβων (nanopatterned arrays) καταφέραμε να επιτύχουμε τον απαραίτητο έλεγχο και ανάγνωση.»
Μειώνοντας το κόστος
Η τεχνητή νοημοσύνη χρησιμοποιείται πλέον ευρέως, από τη αναγνώριση φωνής έως τα αυτοοδηγούμενα αυτοκίνητα. Αλλά το να εκπαιδεύσεις την τεχνητή νοημοσύνη για να μπορεί να εκτελέσει ακόμη και σχετικά απλές εργασίες μπορεί να απαιτήσει τεράστια ποσά ενέργειας. Για παράδειγμα, η εκπαίδευση της τεχνητής νοημοσύνης για την επίλυση του κύβου του Ρούμπικ χρειάστηκε ενέργεια ισοδύναμη με όση παράγουν δύο πυρηνικοί σταθμοί μέσα σε μία ώρα.
Για να επιτευχθεί αυτό με συμβατικούς υπολογιστές, η περισσότερη ενέργεια δαπανάται στην μη αποδοτική μεταφορά ηλεκτρονίων κατά την επεξεργασία και την αποθήκευση μνήμης. Ωστόσο, οι νανομαγνήτες δεν βασίζονται στη φυσική μεταφορά σωματιδίων, όπως τα ηλεκτρόνια, αλλά επεξεργάζονται και μεταφέρουν πληροφορίες με τη μορφή ενός κύματος «magnon», όπου κάθε μαγνήτης επηρεάζει την κατάσταση αυτών που είναι κοντά του.
Αυτό συνεπάγεται πολύ λιγότερη χαμένη ενέργεια καθώς και το ότι η επεξεργασία και η αποθήκευση πληροφοριών -αντί να αποτελούν ξεχωριστές διαδικασίες όπως στους συμβατικούς υπολογιστές- μπορούν να γίνουν μαζί. Αυτή η καινοτομία μπορεί να κάνει τις νανομαγνητικές υπολογιστικές διεργασίες έως και 100.000 φορές πιο αποτελεσματικές από τις συμβατικές.
Στην αιχμή
Η ομάδα, στη συνέχεια, θα διδάξει το σύστημα χρησιμοποιώντας δεδομένα πραγματικού κόσμου, όπως καρδιογραφήματα, και ελπίζει να το μετατρέψει σε μια πραγματική υπολογιστική συσκευή. Με τον καιρό, τα μαγνητικά συστήματα θα μπορούσαν να ενσωματωθούν σε συμβατικούς υπολογιστές βελτιώνοντας κατά πολύ την ενεργειακή απόδοση όπου υπάρχει μεγάλος επεξεργαστικός φόρτος.
Επιπρόσθετα, η ενεργειακή τους απόδοση σημαίνει ότι θα μπορούσαν να τροφοδοτηθούν από ανανεώσιμες πηγές ενέργειας και έτσι να μπορούν να χρησιμοποιηθούν για «AI at the edge», δηλαδή για την επιτόπια επεξεργασία των δεδομένων αντί της αποστολής αυτών σε μεγάλα κέντρα (για παράδειγμα σε μετεωρολογικούς σταθμούς στην Ανταρκτική).
Σημαίνει επίσης ότι θα μπορούσαν να χρησιμοποιηθούν σε φορητές συσκευές για την επεξεργασία βιομετρικών δεδομένων, όπως η πρόβλεψη και η ρύθμιση των επιπέδων ινσουλίνης για διαβητικούς ή η ανίχνευση μη φυσιολογικών καρδιακών παλμών.
Παραπομπές:
Jack C. Gartside, Kilian D. Stenning, Alex Vanstone, Holly H. Holder, Daan M. Arroo, Troy Dion, Francesco Caravelli, Hidekazu Kurebayashi, Will R. Branford. Reconfigurable training and reservoir computing in an artificial spin-vortex ice via spin-wave fingerprinting. Nature Nanotechnology, 2022; DOI: 10.1038/s41565-022-01091-7
Πηγή: https://www.sciencedaily.com
