Une forme d’informatique inspirée du cerveau qui exploite les propriétés physiques intrinsèques d’un matériau pour réduire considérablement la consommation d’énergie se rapproche désormais de la réalité, grâce à une nouvelle étude menée par des chercheurs de l’UCL et de l’Imperial School de Londres.
Dans la nouvelle étude, publiée dans la revue Mother nature Materials, une équipe internationale de chercheurs a utilisé des aimants chiraux (torsadés) comme aid de calcul et a découvert qu’en appliquant un champ magnétique externe et en modifiant la température, les propriétés physiques de ces matériaux pouvaient être adaptées. pour s’adapter à différentes tâches d’apprentissage automatique.
Une telle approche, connue sous le nom de calcul de réservoir physique, était jusqu’à présent limitée en raison de son manque de reconfigurabilité. En effet, les propriétés physiques d’un matériau peuvent lui permettre d’exceller dans un certain sous-ensemble de tâches informatiques, mais pas dans d’autres.
Dans la nouvelle étude, publiée dans la revue Character Supplies, une équipe internationale de chercheurs a utilisé des aimants chiraux (torsadés) comme help de calcul et a découvert qu’en appliquant un champ magnétique externe et en modifiant la température, les propriétés physiques de ces matériaux pouvaient être adaptées. pour s’adapter à différentes tâches d’apprentissage automatique.
Le Dr Oscar Lee (Centre de Londres pour les nanotechnologies à l’UCL et Département de génie électronique et électrique de l’UCL), auteur principal de l’article, a déclaré : « Ce travail nous rapproche de la réalisation du plein potentiel des réservoirs physiques pour créer des ordinateurs qui ne fonctionnent pas. nécessitent seulement beaucoup moins d’énergie, mais adaptent également leurs propriétés informatiques pour fonctionner de manière optimale dans diverses tâches, tout comme notre cerveau.
« La prochaine étape consiste à identifier les matériaux et les architectures de dispositifs commercialement viables et évolutifs. »
L’informatique traditionnelle consomme de grandes quantités d’électricité. Cela est dû en partie au fait qu’il dispose d’unités distinctes pour le stockage et le traitement des données, ce qui signifie que les informations doivent être constamment mélangées entre les deux, gaspillant de l’énergie et produisant de la chaleur. Il s’agit d’un problème particulièrement problématique pour l’apprentissage automatique, dont le traitement nécessite de vastes ensembles de données. La formation d’un grand modèle d’IA peut générer des centaines de tonnes de dioxyde de carbone.
L’informatique à réservoir physique est l’une des nombreuses approches neuromorphiques (ou inspirées du cerveau) qui visent à supprimer le besoin d’unités de mémoire et de traitement distinctes, facilitant ainsi des moyens furthermore efficaces de traiter les données. En in addition d’être une different plus sturdy à l’informatique conventionnelle, l’informatique à réservoir physique pourrait être intégrée aux circuits existants pour fournir des capacités supplémentaires également économes en énergie.
Dans l’étude, impliquant des chercheurs du Japon et d’Allemagne, l’équipe a utilisé un analyseur de réseau vectoriel pour déterminer l’absorption d’énergie des aimants chiraux à différentes intensités de champ magnétique et températures allant de -269 °C à température ambiante.
Ils ont découvert que les différentes phases magnétiques des aimants chiraux excellaient dans différents varieties de tâches informatiques. La period skyrmion, où les particules magnétisées tourbillonnent selon un schéma semblable à un vortex, possédait une puissante capacité de mémoire adaptée aux tâches de prévision. La period conique, quant à elle, avait peu de mémoire, mais sa non-linéarité était idéale pour les tâches de transformation et de classification, par exemple pour identifier si un animal est un chat ou un chien.
Le co-auteur, le Dr Jack Gartside, de l’Imperial University de Londres, a déclaré : « Nos collaborateurs à l’UCL dans le groupe du professeur Hidekazu Kurebayashi ont récemment identifié un ensemble prometteur de matériaux pour alimenter l’informatique non conventionnelle. Ces matériaux sont spéciaux motor vehicle ils peuvent prendre en charge un ensemble particulièrement riche et gamme variée de textures magnétiques. En collaboration avec l’auteur principal, le Dr Oscar Lee, du groupe de l’Imperial College de Londres. a conçu une architecture informatique neuromorphique pour exploiter les propriétés complexes des matériaux afin de répondre aux exigences d’un ensemble diversifié de tâches difficiles. Cela a donné d’excellents résultats et a montré comment la reconfiguration des phases physiques peut directement adapter les performances du calcul neuromorphique. »
Les travaux ont également impliqué des chercheurs de l’Université de Tokyo et de la Technische Universität München et ont été soutenus par le Leverhulme Rely on, le Conseil de recherche en ingénierie et en sciences physiques (EPSRC), le Fonds d’excellence du président de l’Imperial University de Londres pour la recherche frontalière, la Royal Academy of Engineering, le Japan Science and Technology Agency, Katsu Study Encouragement Award, Asahi Glass Basis et la DFG (Fondation allemande pour la recherche).
