هوش مصنوعی کم‌مصرف مبتنی بر نانومغناطیس طراحی شد
نانومغناطیس‌ها به انتقال فیزیکی ذرات مانند الکترون‌ها متکی نیستند، بلکه اطلاعات را در قالب یک موج «مگنون» پردازش و انتقال می‌دهند، جایی که هر مغناطیس بر وضعیت مغناطیس مجاور تأثیر می‌گذارد. این بدان معناست که انرژی بسیار کمتری از دست می‌رود و پردازش و ذخیره‌سازی اطلاعات می‌تواند با هم انجام شود.
به گزارش گروه فناوری خبرگزاری آنا از پایگاه خبری فناوری نانو، محققان نشان داده‌اند که می‌توان هوش مصنوعی را با استفاده از نانومغناطیس‌های کوچکی که مانند نورون‌های مغز با هم برهمکنش دارند، ایجاد کرد.
این روش جدید که توسط تیمی به رهبری محققان کالج امپریال لندن ارائه شده است، می‌تواند هزینه انرژی مورد استفاده در هوش مصنوعی (AI) را که در حال حاضر هر ۳٫۵ ماه یکبار در سطح جهان دو برابر می‌شود، کاهش دهد.
در مقاله‌ای که در Nature Nanotechnology منتشر شد، این تیم بین‌المللی شواهدی را ارائه کرد که نشان می‌دهد می‌توان از شبکه‌های نانومغناطیس‌ها برای انجام پردازش‌های مشابه هوش مصنوعی استفاده کرد. محققان نشان دادند که از نانومغناطیس‌ها می‌توان برای کارهای «پیش‌بینی سری زمانی» مانند پیش‌بینی و تنظیم سطح انسولین در بیماران دیابتی استفاده کرد.
هدف هوش مصنوعی که از «شبکه‌های عصبی» استفاده می‌کند، شبیه‌سازی نحوه عملکرد بخش‌هایی از مغز است، جایی که نورون‌ها برای پردازش و حفظ اطلاعات با یکدیگر صحبت می‌کنند. بسیاری از روابط و معادلات مورد استفاده برای تامین انرژی شبکه‌های عصبی در ابتدا توسط فیزیکدانان برای توصیف نحوه برهمکنش مغناطیس‌ها ابداع شد، اما در آن زمان استفاده مستقیم از مغناطیس کار بسیار دشوار بود زیرا محققان نمی‌دانستند چگونه داده‌ها را وارد کرده و اطلاعات را از مغناطیس‌ها خارج کنند.
در عوض، نرم‌افزاری که بر روی کامپیوترهای مبتنی بر سیلیکون رایج اجرا می‌شود، برای شبیه‌سازی فعل و انفعالات مغناطیس و در نتیجه شبیه‌سازی مغز مورد استفاده قرار گرفت. اکنون، این تیم توانسته است از مغناطیس برای پردازش و ذخیره داده‌ها استفاده کند، واسطه شبیه‌سازی نرم‌افزاری را حذف کرده و به طور بالقوه صرفه‌جویی زیادی در انرژی ایجاد کرده است.
نانومغناطیس‌ها بسته به جهتی که دارند، می‌توانند در حالت‌های مختلفی باشند. اعمال میدان مغناطیسی بر روی شبکه‌ای از نانومغناطیس‌ها، وضعیت آن‌ها را بر اساس ویژگی میدان ورودی و همچنین بر روی حالت مغناطیس‌های اطراف تغییر می‌دهد. این تیم توانست روشی برای شمارش تعداد مغناطیس‌ها در هر حالت پس از عبور میدان طراحی کنند و پاسخ را ارائه کنند.
دکتر جک گارتساید، نویسنده اول این مقاله، گفت: «ما برای مدت طولانی در تلاش بودیم تا مشکل نحوه وارد کردن داده، پرسیدن یک سوال و دریافت پاسخ از محاسبات مغناطیسی را برطرف کنیم. اکنون به ما ثابت شده است که می‌توان آن را انجام داد، این پروژه راه را برای خلاص شدن از شر نرم افزار کامپیوتری که شبیه‌سازی انرژی بر را انجام می‌دهد، هموار می‌کند.»
کیلیان استنینگ اضافه کرد: «درک چگونگی تعامل مغناطیس‌ها همه اطلاعاتی را که ما نیاز داریم به ما می‌دهد؛ قوانین فیزیک خود به کامپیوتر تبدیل می‌شوند.»
دکتر ویل برانفورد رهبر این تیم تحقیقاتی گفت: «این که سخت‌افزار کامپیوتر را با الهام از الگوریتم‌های نرم‌افزاری شرینگتون و کرک پاتریک بسازیم یک هدف بلندمدت بوده است. استفاده از اسپین‌های روی اتم‌ها در مغناطیس‌های معمولی امکان‌پذیر نبود، اما با افزایش مقیاس اسپین‌ها در آرایه‌های نانوالگو ما توانسته‌ایم به کنترل و بازخوانی لازم دست یابیم.»
هوش مصنوعی اکنون در زمینه‌های مختلفی از تشخیص صدا گرفته تا خودروهای خودران استفاده می‌شود. اما آموزش هوش مصنوعی برای انجام کارهای نسبتاً ساده نیز می‌تواند انرژی زیادی را به خود اختصاص دهد. به عنوان مثال، آموزش هوش مصنوعی برای حل یک مکعب روبیک، انرژی بسیار زیادی را به مدت یک ساعت مصرف می‌کند.
بیشتر انرژی مورد استفاده برای دستیابی به این امر در رایانه‌های معمولی با تراشه سیلیکونی در انتقال ناکارآمد الکترون‌ها در طول پردازش و ذخیره‌سازی حافظه هدر می‌رود. با این حال، نانومغناطیس‌ها به انتقال فیزیکی ذرات مانند الکترون‌ها متکی نیستند، بلکه اطلاعات را در قالب یک موج «مگنون» پردازش و انتقال می‌دهند، جایی که هر مغناطیس بر وضعیت مغناطیس مجاور تأثیر می‌گذارد. این بدان معناست که انرژی بسیار کمتری از دست می‌رود و پردازش و ذخیره‌سازی اطلاعات می‌تواند با هم انجام شود، نه اینکه مانند رایانه‌های معمولی فرآیندهای جداگانه باشند. این نوآوری می تواند محاسبات نانومغناطیسی را تا ۱۰۰۰۰۰ برابر کارآمدتر از محاسبات معمولی کند.
انتهای پیام/۴۱۲۹/
انتهای پیام/
