Дослідники UCL та Імперського коледжу Лондона представили енергоефективне машинне навчання

Традиційні комп’ютери споживають значну кількість енергії, що становить приблизно 10% світового попиту на електроенергію. Неефективність виникає через їхню залежність від окремих блоків для обробки та зберігання даних, що призводить до постійних переходів між цими двома процесами і, як наслідок, до виділення тепла та втрат енергії.

Для вирішення цієї проблеми енергоефективності багатообіцяючою альтернативою є нейроморфні обчислення, натхненні структурою та функціонуванням людського мозку. На відміну від традиційних комп’ютерів, нейроморфні обчислення використовують фізичні накопичувачі, використовуючи матеріали з нелінійною динамікою, чутливі до незначних змін на вході. Ці фізичні накопичувачі кодують інформацію у своєму фізичному стані, пропонуючи ефективні обчислення.

У нещодавньому дослідженні міжнародна команда дослідників представила інноваційну форму обчислень на основі фізичних накопичувачів, використовуючи хіральні магніти як обчислювальне середовище. Хіральні магніти, що мають особливу структуру, характеризуються унікальними магнітними властивостями. Дослідники продемонстрували можливість маніпулювати магнітною фазою хіральних магнітів, регулюючи температуру та застосовуючи зовнішнє магнітне поле. Така адаптивність дозволяє пристосовувати фізичні характеристики матеріалів до різноманітних застосувань машинного навчання.

Дослідники виявили, що скірміонна фаза, яка складається з намагнічених частинок, що закручуються у вихороподібний візерунок, має надійну пам’ять, що робить її ідеальною для застосувань у галузі прогнозування. І навпаки, конічна фаза, з мінімальною пам’яттю, але винятковою нелінійністю, добре підходить для задач класифікації та перетворення.

Порівняно зі звичайними нейроморфними обчислювальними методами, цей новий підхід до фізичних обчислень має кілька переваг. По-перше, він є більш енергоефективним, оскільки усуває потребу в зовнішній електроніці. По-друге, він демонструє адаптивність до ширшого кола завдань машинного навчання.

Розвиток нового типу обчислень, натхненних мозком, знаменує собою значний крок на шляху до пошуку більш енергоефективних рішень для комп’ютерів. Подальші дослідження в цій галузі мають потенціал для революції в обчислювальних методологіях.