«Исследователи UCL и Imperial College London представляют энергоэффективное машинное обучение с помощью адаптивной резервуарной вычислительной системы»

Ученые UCL и Imperial College London представляют энергоэффективное машинное обучение с использованием адаптивной резервуарной вычислительной системы

Традиционные компьютеры потребляют много энергии; они составляют около 10% потребности в электричестве в мире. Это связано с тем, что традиционные компьютеры зависят от отдельных блоков для обработки и хранения данных, что требует непрерывного перемещения между этими блоками. В результате производится тепло, и энергия тратится в этом процессе.

Нейроморфные компьютеры, основанные на принципах работы человеческого мозга, являются потенциально эффективным решением проблем с энергоэффективностью традиционных компьютеров. Они моделируют структуру и функционирование мозга, который способен выполнять сложные вычисления, используя мало энергии.

Использование физических резервуаров является основным принципом нейроморфных компьютеров. Материалы с нелинейной динамикой, или материалы, поведение которых чувствительно к даже незначительным изменениям входных данных, называются физическими резервуарами. Они могут закодировать информацию в своем физическом состоянии, что делает их идеальными для вычислений.

В рамках недавнего исследования международная группа ученых создала новую форму физического резервуарного вычисления, которая использует хиральные магниты в качестве VoAGI для вычислений. Материалы со скрученной структурой, или хиральные магниты, обладают уникальными магнитными свойствами. Ученые обнаружили, что они могут изменять температуру и применять внешнее магнитное поле для регулирования магнитной фазы хиральных магнитов. Благодаря этому они могли изменить физические характеристики материалов для различных приложений машинного обучения. Например, было обнаружено, что фаза скайрмиона, в которой намагниченные частицы вихревидно вращаются, обладает сильной памятью, что делает ее идеальной для прогностических приложений. С другой стороны, было обнаружено, что коническая фаза имеет минимальную память, но ее нелинейность делает ее идеальной для задач классификации и преобразования.

По сравнению с более традиционными методами нейроморфного вычисления, этот новый подход к физическому резервуарному вычислению предлагает несколько преимуществ. Во-первых, он более энергоэффективен, так как не требует внешней электроники. Во-вторых, его можно настроить на более широкий спектр задач машинного обучения.

Нахождение более энергоэффективного компьютерного решения продвигается с появлением этого нового типа нейроморфного вычисления, основанного на принципах работы мозга. С дальнейшим исследованием эта технология может значительно изменить наш способ вычисления.