A medida que se expande el Internet de las cosas, los ingenieros quieren integrar la IA en todo, pero la cantidad de energía que requiere es un desafío para los dispositivos más pequeños y remotos. Un nuevo enfoque informático "nanomagnético" podría proporcionar una solución.
Si bien la mayor parte del desarrollo de IA actual se centra en modelos grandes y complejos que se ejecutan en enormes centros de datos, también existe una demanda creciente de formas de ejecutar aplicaciones de IA más simples en dispositivos más pequeños y con más limitaciones de energía.
Para muchas aplicaciones, desde dispositivos portátiles hasta sensores industriales inteligentes y drones, no tiene sentido enviar datos a sistemas de IA basados en la nube. Eso puede deberse a preocupaciones sobre el intercambio de datos privados o los retrasos inevitables que surgen al transmitir los datos y esperar una respuesta.
Pero muchos de estos dispositivos son demasiado pequeños para albergar el tipo de procesadores de alta potencia que normalmente se utilizan para la IA. También tienden a funcionar con baterías o energía recolectada del medio ambiente, por lo que no pueden cumplir con los exigentes requisitos de energía de los enfoques convencionales de aprendizaje profundo.
Esto ha llevado a un creciente cuerpo de investigación sobre nuevos enfoques informáticos y de hardware que hacen posible ejecutar IA en este tipo de sistemas. Gran parte de este trabajo ha buscado tomar prestado del cerebro, que es capaz de realizar increíbles hazañas informáticas mientras usa la misma cantidad de energía que una bombilla. Estos incluyen chips neuromórficos que imitan el cableado del cerebro y procesadores construidos a partir de memristores , componentes electrónicos que se comportan como neuronas biológicas.
Una nueva investigación dirigida por científicos del Imperial College London sugiere que la computación con redes de imanes a nanoescala podría ser una alternativa prometedora. En un artículo publicado la semana pasada en Nature Nanotechnology , el equipo mostró que al aplicar campos magnéticos a una serie de pequeños elementos magnéticos, podían entrenar el sistema para procesar datos complejos y proporcionar predicciones utilizando una fracción de la potencia de una computadora normal.
En el centro de su enfoque se encuentra lo que se conoce como metamaterial, un material hecho por el hombre cuya estructura física interna está cuidadosamente diseñada para darle propiedades inusuales que normalmente no se encuentran en la naturaleza. En particular, el equipo creó un "sistema de espín artificial", una disposición de muchos nanoimanes que se combinan para exhibir un comportamiento magnético exótico.
Su diseño se compone de una red de cientos de barras de permalloy de 600 nanómetros de largo, una aleación de níquel-hierro altamente magnética. Estas barras están dispuestas en un patrón repetitivo de X cuyos brazos superiores son más gruesos que los inferiores.
Normalmente, los sistemas de espín artificial tienen una sola textura magnética, que describe el patrón de magnetización a través de sus nanoimanes. Pero el metamaterial del equipo imperial presenta dos texturas distintas y la capacidad de que diferentes partes cambien entre ellas en respuesta a los campos magnéticos.
Los investigadores utilizaron estas propiedades para implementar una forma de IA conocida como computación de reservorio. A diferencia del aprendizaje profundo, en el que una red neuronal vuelve a cablear sus conexiones mientras se entrena en una tarea, este enfoque alimenta datos a una red cuyas conexiones son todas fijas y simplemente entrena una sola capa de salida para interpretar lo que sale de esta red.
También es posible reemplazar esta red fija con sistemas físicos, incluidos elementos como memristores u osciladores, siempre que tengan ciertas propiedades, como una respuesta no lineal a las entradas y algún tipo de memoria de entradas anteriores. El nuevo sistema de giro artificial se ajusta a esos requisitos, por lo que el equipo lo utilizó como depósito para llevar a cabo una serie de tareas de procesamiento de datos.
Introducen datos en el sistema sometiéndolos a secuencias de campos magnéticos antes de permitir que su propia dinámica interna procese los datos . Luego utilizaron una técnica de imagen llamada resonancia ferromagnética para determinar la distribución final de los nanoimanes, lo que proporcionó la respuesta.
Si bien estas no eran tareas prácticas de procesamiento de datos, el equipo pudo demostrar que su dispositivo podía igualar los esquemas de computación de reservorios líderes en una serie de desafíos de predicción que involucran datos que varían con el tiempo. Es importante destacar que demostraron que podía aprender de manera eficiente en conjuntos de entrenamiento bastante cortos, lo que sería importante en muchas aplicaciones de IoT del mundo real.
Y no solo el dispositivo es muy pequeño, sino que el hecho de que utilice campos magnéticos para realizar cálculos en lugar de transportar electricidad significa que consume mucha menos energía. En un comunicado de prensa , los investigadores estiman que, cuando se amplía, podría ser 100.000 veces más eficiente que la informática convencional.
Hay un largo camino por recorrer antes de que este tipo de dispositivo pueda tener un uso práctico, pero los resultados sugieren que las computadoras basadas en imanes podrían desempeñar un papel importante en la integración de la IA en todas partes.
Fuentes
singularityhub.com
Comments