研究人员使用手性磁铁推进了类脑计算,大大减少了机器学习任务中的能源使用。该研究标志着朝着更具可持续性和适应性的计算技术迈进。连接的磁性天体作为受大脑启发的储层计算的计算媒介的艺术表现。
由伦敦大学学院(UCL)和伦敦帝国理工学院(Imperial College London)的研究人员领导的一项新研究使我们离一种类脑计算形式更近了一步,这种计算形式利用材料的固有物理特性来显着减少能源使用。
在发表在《自然材料》杂志上的这项新研究中,一个国际研究小组使用手性(扭曲)磁铁作为他们的计算介质,发现通过施加外部磁场和改变温度,这些材料的物理特性可以适应不同的机器学习任务。
这种方法被称为物理储层计算,由于缺乏可重构性,到目前为止一直受到限制。这是因为材料的物理特性可能使其在计算任务的某个子集上表现出色,但在其他任务中则不然。
迈向高效且适应性强的计算
该论文的主要作者Oscar Lee博士(伦敦大学学院伦敦纳米技术中心和伦敦大学学院电子与电气工程系)说:“这项工作使我们更接近于实现物理储库的全部潜力,以创建计算机,这些计算机不仅需要更少的能量,而且还调整其计算特性以在各种任务中发挥最佳性能。 就像我们的大脑一样。
“下一步是确定商业上可行且可扩展的材料和设备架构。
传统计算耗电量大。这在一定程度上是因为它具有用于数据存储和处理的独立单元,这意味着信息必须在两者之间不断切换,从而浪费能源并产生热量。这对于机器学习来说尤其是一个问题,因为机器学习需要大量的数据集进行处理。训练一个大型 AI 模型可以产生数百吨二氧化碳。
神经形态计算:一种可持续的方法
物理储库计算是几种神经形态(或受大脑启发)的方法之一,旨在消除对不同内存和处理单元的需求,从而促进更有效的数据处理方式。除了作为传统计算的更可持续的替代方案外,物理储层计算还可以集成到现有电路中,以提供额外的功能,同时也是节能的。
在这项研究中,涉及日本和德国的研究人员,该团队使用矢量网络分析仪来确定手性磁体在不同磁场强度和温度范围(-269°C至室温)下的能量吸收。
他们发现,手性磁体的不同磁相在不同类型的计算任务中表现出色。在斯格米翁阶段,磁化粒子以涡旋状的模式旋转,具有强大的记忆容量,适合预测任务。与此同时,锥形相几乎没有记忆,但它的非线性非常适合转换任务和分类——例如,识别动物是猫还是狗。
伦敦帝国理工学院的合著者Jack Gartside博士说:“我们在伦敦大学学院的Hidekazu Kurebayashi教授小组的合作者最近发现了一套很有前途的材料,用于为非常规计算提供动力。这些材料很特别,因为它们可以支持特别丰富多样的磁性纹理。伦敦帝国理工学院的研究小组(由Gartside博士、Kilian Stenning博士和Will Branford教授领导)与主要作者Oscar Lee博士合作,设计了一种神经形态计算架构,以利用复杂的材料特性来满足各种具有挑战性的任务的需求。这给出了很好的结果,并展示了重新配置物理相位如何直接定制神经形态计算性能。
暂无评论内容