Традиционно кремниевые чипы являлись строительными блоками инфраструктуры компьютеров. Но это исследование использует магнитные компоненты вместо кремния и обнаруживает новую информацию о том, как физика магнитных компонентов может снизить затраты на энергию и требования к алгоритмам обучения – нейронным сетям, которые могут думать, как люди, и делать такие вещи, как распознавать изображения и шаблоны.
«В настоящее время методы обучения нейронных сетей очень энергоемки», – сказала Джин Энн Инкорвиа, доцент кафедры электротехники и вычислительной техники школы Кокрелла. «Наша работа может помочь снизить затраты на обучение и энергию."
Выводы исследователей были опубликованы на этой неделе в IOP Nanotechnology.
Incorvia провела исследование с первым автором и аспирантом второго курса Кан Куи. Инкорвиа и Куи обнаружили, что расположение магнитных нанопроволок, действующих как искусственные нейроны, в определенном смысле естественным образом увеличивает способность искусственных нейронов конкурировать друг с другом, причем наиболее активированные из них выигрывают. Достижение этого эффекта, известного как «поперечное торможение», традиционно требует дополнительных схем в компьютерах, что увеличивает затраты и требует больше энергии и места.
Incorvia заявила, что их метод обеспечивает снижение энергии в 20-30 раз по сравнению с количеством, используемым стандартным алгоритмом обратного распространения, при выполнении тех же задач обучения.
Точно так же, как человеческий мозг содержит нейроны, компьютеры новой эры имеют искусственные версии этих целостных нервных клеток. Боковое торможение возникает, когда нейроны, срабатывающие быстрее всего, способны предотвратить срабатывание более медленных нейронов. В вычислениях это сокращает потребление энергии при обработке данных.
Incorvia объясняет, что принципы работы компьютеров в корне меняются. Основная тенденция – концепция нейроморфных вычислений, которая, по сути, проектирует компьютеры так, чтобы они думали, как человеческий мозг. Вместо того, чтобы обрабатывать задачи по очереди, эти более умные устройства предназначены для одновременного анализа огромных объемов данных.
Эти инновации привели к революции в машинном обучении и искусственном интеллекте, которые доминировали в технологическом ландшафте в последние годы.
Это исследование было сосредоточено на взаимодействии между двумя магнитными нейронами и первоначальных результатах взаимодействия нескольких нейронов.
Следующий шаг включает применение результатов к большему количеству множественных нейронов, а также экспериментальную проверку их результатов.
Исследование финансировалось Национальным научным фондом CAREER Award и Sandia National Laboratories с привлечением ресурсов Техасского центра передовых вычислений UT.