Teknoloji

Devrim Yaratan Yapay Zeka…

Devrim Yaratan Yapay Zeka: Araştırmacılar, kiral mıknatıslar kullanarak, beyinden ilham alan gelişmiş bilgi işlem teknolojisine sahipler ve makine öğrenimi görevlerinde enerji kullanımını önemli ölçüde azaltıyorlar. Araştırma, daha sürdürülebilir ve uyarlanabilir bilgi işlem teknolojilerine doğru ilerlemeye işaret ediyor. Beyinden ilham alan rezervuar hesaplama için hesaplamalı bir ortam olarak bağlantılı manyetik skyrmions’ın sanatsal bir temsili. UCL ve Imperial College London’dan araştırmacılar tarafından yürütülen yeni bir çalışma, enerji kullanımını önemli ölçüde azaltmak için bir malzemenin kendine özgü fiziksel özelliklerinden yararlanan, beyinden ilham alan bir hesaplama biçimine bizi bir adım daha yaklaştırdı.

Nature Materials dergisinde yayınlanan yeni çalışmada , uluslararası bir araştırmacı ekibi hesaplama ortamı olarak kiral (bükülmüş) mıknatısları kullandı ve harici bir manyetik alan uygulanarak ve sıcaklık değiştirilerek bu malzemelerin fiziksel özelliklerinin uyarlanabileceğini buldu. farklı makine öğrenimi görevlerine uyacak şekilde. Fiziksel rezervuar hesaplaması olarak bilinen bu tür bir yaklaşım, yeniden yapılandırılabilirlik eksikliği nedeniyle şimdiye kadar sınırlıydı. Bunun nedeni, bir malzemenin fiziksel özelliklerinin, belirli bir bilgi işlem görev alt kümesinde üstün olmasına izin vermesi, ancak diğerlerinde bunu yapamamasıdır.

Verimli ve Uyarlanabilir Bilgi İşleme Doğru Makalenin başyazarı Dr. Oscar Lee (UCL Londra Nanoteknoloji Merkezi ve UCL Elektronik ve Elektrik Mühendisliği Bölümü), şunları söyledi: “Bu çalışma, bilgisayarları oluşturmak için fiziksel rezervuarların tüm potansiyelini gerçekleştirmeye bizi bir adım daha yaklaştırıyor. Sadece önemli ölçüde daha az enerji gerektirmekle kalmıyor, aynı zamanda hesaplama özelliklerini de tıpkı beynimiz gibi çeşitli görevleri en iyi şekilde gerçekleştirecek şekilde uyarlıyor. “Bir sonraki adım, ticari olarak uygulanabilir ve ölçeklenebilir malzeme ve cihaz mimarilerini tanımlamaktır.” Geleneksel bilgi işlem büyük miktarda elektrik tüketir. Bunun nedeni kısmen veri depolama ve işleme için ayrı birimlere sahip olması, yani bilginin ikisi arasında sürekli olarak karıştırılması, enerji israfı ve ısı üretilmesi gerektiğidir. Bu , özellikle işleme için geniş veri kümeleri gerektiren makine öğrenimi için bir sorundur . Büyük bir yapay zeka modelinin eğitilmesi yüzlerce ton karbondioksit üretebilir.

Nöromorfik Hesaplama: Sürdürülebilir Bir Yaklaşım Fiziksel rezervuar hesaplama, farklı bellek ve işlem birimlerine olan ihtiyacı ortadan kaldırarak verileri işlemenin daha verimli yollarını kolaylaştırmayı amaçlayan çeşitli nöromorfik (veya beyinden ilham alan) yaklaşımlardan biridir. Geleneksel hesaplamaya daha sürdürülebilir bir alternatif olmasının yanı sıra, fiziksel rezervuar hesaplama, aynı zamanda enerji açısından verimli olan ek yetenekler sağlamak için mevcut devrelere entegre edilebilir. Japonya ve Almanya’daki araştırmacıların da dahil olduğu çalışmada ekip, kiral mıknatısların farklı manyetik alan güçlerinde ve -269 °C’den oda sıcaklığına kadar değişen sıcaklıklarda enerji emilimini belirlemek için bir vektör ağ analizörü kullandı. Kiral mıknatısların farklı manyetik fazlarının, farklı türdeki hesaplama görevlerinde mükemmel sonuç verdiğini buldular.

Mıknatıslanmış parçacıkların girdap benzeri bir düzende döndüğü skyrmion aşaması, tahmin görevleri için uygun, güçlü bir hafıza kapasitesine sahipti. Bu arada konik fazın hafızası çok azdı ancak doğrusal olmaması, dönüşüm görevleri ve sınıflandırma için (örneğin, bir hayvanın kedi mi yoksa köpek mi olduğunu belirlemek) idealdi. Imperial College London’dan ortak yazar Dr. Jack Gartside şunları söyledi: “UCL’deki Profesör Hidekazu Kurebayashi’nin grubundaki işbirlikçilerimiz yakın zamanda geleneksel olmayan hesaplamayı güçlendirmek için umut verici bir dizi malzeme belirlediler. Bu malzemeler, özellikle zengin ve çeşitli manyetik dokuları destekleyebildikleri için özeldir. Baş yazar Dr Oscar Lee ile birlikte çalışan Imperial College London grubu (Dr Gartside, Kilian Stenning ve Profesör Will Branford liderliğinde), çeşitli zorlu görevlerin taleplerini karşılamak için karmaşık malzeme özelliklerinden yararlanan nöromorfik bir bilgi işlem mimarisi tasarladı. . Bu harika sonuçlar verdi ve fiziksel aşamaları yeniden yapılandırmanın nöromorfik bilgi işlem performansını nasıl doğrudan uyarlayabileceğini gösterdi.”

 

İlgili Makaleler

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Başa dön tuşu