محاسبات “نانو مغناطیسی” می تواند هوش مصنوعی کم انرژی را ارائه دهد – ScienceDaily


محققان نشان داده‌اند که می‌توان هوش مصنوعی را با استفاده از نانومغناطیس‌های کوچکی که مانند نورون‌های مغز برهم‌کنش دارند، انجام داد.

این روش جدید که توسط تیمی به رهبری محققان کالج امپریال لندن ساخته شده است، می تواند هزینه انرژی هوش مصنوعی (AI) را که در حال حاضر هر 3.5 ماه یکبار در سطح جهان دو برابر می شود، کاهش دهد.

در مقاله ای که امروز در نانوتکنولوژی طبیعت، تیم بین المللی اولین مدرکی را ارائه کرده است که نشان می دهد شبکه های نانومغناطیس می توانند برای انجام پردازش های مشابه هوش مصنوعی استفاده شوند. محققان نشان دادند که نانومغناطیس‌ها می‌توانند برای کارهای «پیش‌بینی سری زمانی» مانند پیش‌بینی و تنظیم سطح انسولین در بیماران دیابتی استفاده شوند.

هدف هوش مصنوعی که از «شبکه‌های عصبی» استفاده می‌کند، شبیه‌سازی نحوه عملکرد بخش‌هایی از مغز است، جایی که نورون‌ها برای پردازش و حفظ اطلاعات با یکدیگر صحبت می‌کنند. بسیاری از ریاضیات مورد استفاده برای تقویت شبکه های عصبی در ابتدا توسط فیزیکدانان برای توصیف نحوه تعامل آهنرباها اختراع شد، اما در آن زمان استفاده مستقیم از آهنربا بسیار دشوار بود زیرا محققان نمی دانستند چگونه داده ها را وارد کرده و اطلاعات را به بیرون برسانند.

در عوض، نرم‌افزاری که بر روی رایانه‌های مبتنی بر سیلیکون سنتی اجرا می‌شود، برای شبیه‌سازی فعل و انفعالات آهن‌ربایی و در نتیجه شبیه‌سازی مغز مورد استفاده قرار گرفت. اکنون، تیم توانسته است از آهنرباها برای پردازش و ذخیره داده ها استفاده کند – واسطه شبیه سازی نرم افزار را حذف کرده و به طور بالقوه صرفه جویی زیادی در انرژی ارائه می دهد.

حالات نانومغناطیسی

نانومغناطیس‌ها بسته به جهتشان، می‌توانند در «حالت‌های» مختلفی بیایند. اعمال میدان مغناطیسی بر روی شبکه ای از نانومغناطیس ها، وضعیت آهنرباها را بر اساس خواص میدان ورودی و همچنین بر روی حالت آهنرباهای اطراف تغییر می دهد.

این تیم به سرپرستی محققان دپارتمان فیزیک امپراتوری، سپس توانستند تکنیکی را طراحی کنند تا تعداد آهنرباها را در هر حالت پس از عبور میدان، شمارش کنند و “پاسخ” را ارائه دهند.

دکتر جک گارتساید، نویسنده اول این مطالعه، گفت: “ما برای مدت طولانی در تلاش بودیم تا مشکل نحوه ورود داده ها، پرسیدن یک سوال و دریافت پاسخ را از محاسبات مغناطیسی برطرف کنیم. اکنون ثابت کرده ایم. می توان آن را انجام داد، راه را برای خلاص شدن از شر نرم افزار کامپیوتری که شبیه سازی انرژی بر را انجام می دهد، هموار می کند.”

کیلیان استنینگ، نویسنده همکار، اضافه کرد: «نحوه تعامل آهنرباها همه اطلاعاتی را که نیاز داریم به ما می‌دهد؛ قوانین فیزیک خود به رایانه تبدیل می‌شوند».

رهبر تیم دکتر ویل برانفورد گفت: “این یک هدف بلندمدت بوده است که سخت‌افزار کامپیوتری را با الهام از الگوریتم‌های نرم‌افزاری شرینگتون و کرک‌پاتریک بسازیم. استفاده از اسپین‌های روی اتم‌ها در آهن‌رباهای معمولی امکان‌پذیر نبود، اما با بزرگ‌کردن اسپین‌ها در یک آهن‌ربا امکان‌پذیر بود. آرایه‌های نانوالگو ما توانسته‌ایم به کنترل و بازخوانی لازم دست یابیم.”

کاهش هزینه انرژی

هوش مصنوعی اکنون در زمینه‌های مختلفی از تشخیص صدا گرفته تا خودروهای خودران استفاده می‌شود. اما آموزش هوش مصنوعی برای انجام کارهای نسبتاً ساده نیز می تواند انرژی زیادی را به خود اختصاص دهد. به عنوان مثال، آموزش هوش مصنوعی برای حل مکعب روبیک، انرژی معادل دو نیروگاه هسته ای را به مدت یک ساعت در اختیار داشت.

بیشتر انرژی مورد استفاده برای دستیابی به این امر در رایانه‌های معمولی با تراشه سیلیکونی در انتقال ناکارآمد الکترون‌ها در طول پردازش و ذخیره‌سازی حافظه تلف می‌شود. با این حال، نانومغناطیس‌ها به انتقال فیزیکی ذرات مانند الکترون‌ها متکی نیستند، بلکه اطلاعات را به شکل موج «مگنون» پردازش و انتقال می‌دهند، جایی که هر آهنربا بر وضعیت آهن‌رباهای همسایه تأثیر می‌گذارد.

این بدان معناست که انرژی بسیار کمتری از دست می‌رود و پردازش و ذخیره‌سازی اطلاعات می‌تواند با هم انجام شود، نه اینکه مانند رایانه‌های معمولی فرآیندهای جداگانه باشند. این نوآوری می تواند محاسبات نانومغناطیسی را تا 100000 برابر کارآمدتر از محاسبات معمولی کند.

هوش مصنوعی در لبه

این تیم در مرحله بعدی سیستم را با استفاده از داده های دنیای واقعی مانند سیگنال های ECG آموزش می دهد و امیدوار است که آن را به یک دستگاه محاسباتی واقعی تبدیل کند. در نهایت، سیستم‌های مغناطیسی را می‌توان در رایانه‌های معمولی ادغام کرد تا بهره‌وری انرژی را برای کارهای پردازشی شدید بهبود بخشد.

بهره وری انرژی آنها همچنین به این معنی است که آنها می توانند از انرژی تجدید پذیر استفاده کنند و برای انجام “هوش مصنوعی در لبه” – پردازش داده هایی که در آنجا جمع آوری می شوند، مانند ایستگاه های هواشناسی در قطب جنوب، به جای ارسال آن به داده های بزرگ، استفاده شوند. مراکز

همچنین به این معنی است که می‌توان از آن‌ها در دستگاه‌های پوشیدنی برای پردازش داده‌های بیومتریک بدن، مانند پیش‌بینی و تنظیم سطح انسولین برای افراد دیابتی یا تشخیص ضربان‌های غیرطبیعی قلب استفاده کرد.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]