Os pesquisadores avançaram na computação inspirada no cérebro usando ímãs quirais, reduzindo significativamente o uso de energia em tarefas de aprendizado de máquina. A pesquisa marca o progresso em direção a tecnologias de computação mais sustentáveis e adaptáveis. Uma representação artística de skyrmions magnéticos conectados como meio computacional para computação de reservatório inspirada no cérebro. Crédito: Dr.
Um novo estudo liderado por investigadores da UCL e do Imperial College London trouxe-nos um passo mais perto de uma forma de computação inspirada no cérebro que explora as propriedades físicas intrínsecas de um material para reduzir drasticamente o consumo de energia.
No novo estudo, publicado na revista Materiais da Naturezauma equipe internacional de pesquisadores usou ímãs quirais (torcidos) como meio computacional e descobriu que, ao aplicar um campo magnético externo e alterar a temperatura, as propriedades físicas desses materiais poderiam ser adaptadas para atender a diferentes tarefas de aprendizado de máquina.
Tal abordagem, conhecida como computação de reservatório físico, tem sido até agora limitada devido à sua falta de reconfigurabilidade. Isso ocorre porque as propriedades físicas de um material podem permitir que ele se destaque em um determinado subconjunto de tarefas computacionais, mas não em outras.
Rumo à computação eficiente e adaptável
Oscar Lee (Centro de Nanotecnologia de Londres da UCL e Departamento de Engenharia Eletrônica e Elétrica da UCL), principal autor do artigo, disse: “Este trabalho nos aproxima um passo da realização de todo o potencial dos reservatórios físicos para criar computadores que não apenas requerem significativamente menos energia, mas também adaptam suas propriedades computacionais para um desempenho ideal em várias tarefas, assim como nossos cérebros.
“O próximo passo é identificar materiais e arquiteturas de dispositivos que sejam comercialmente viáveis e escaláveis.”
A computação tradicional consome grandes quantidades de eletricidade. Isto ocorre em parte porque possui unidades separadas para armazenamento e processamento de dados, o que significa que as informações precisam ser constantemente embaralhadas entre as duas, desperdiçando energia e produzindo calor. Isto é particularmente um problema para aprendizado de máquina, que requer vastos conjuntos de dados para processamento. Treinar um grande modelo de IA pode gerar centenas de toneladas de dióxido de carbono.
Computação Neuromórfica: Uma Abordagem Sustentável
A computação de reservatórios físicos é uma das várias abordagens neuromórficas (ou inspiradas no cérebro) que visam eliminar a necessidade de memória e unidades de processamento distintas, facilitando formas mais eficientes de processar dados. Além de ser uma alternativa mais sustentável à computação convencional, a computação de reservatórios físicos poderia ser integrada aos circuitos existentes para fornecer capacidades adicionais que também sejam energeticamente eficientes.
No estudo, envolvendo pesquisadores no Japão e na Alemanha, a equipe usou um analisador de rede vetorial para determinar a absorção de energia de ímãs quirais em diferentes intensidades de campo magnético e temperaturas variando de -269 °C à temperatura ambiente.
Eles descobriram que diferentes fases magnéticas de ímãs quirais se destacavam em diferentes tipos de tarefas computacionais. A fase skyrmion, onde partículas magnetizadas giram em um padrão semelhante a um vórtice, tinha uma potente capacidade de memória adequada para tarefas de previsão. A fase cônica, por sua vez, tinha pouca memória, mas sua não linearidade era ideal para tarefas de transformação e classificação – por exemplo, identificar se um animal é gato ou cachorro.
Co-autor Dr. Jack Gartside, de Colégio Imperial de Londres, disse: “Nossos colaboradores da UCL, no grupo do professor Hidekazu Kurebayashi, identificaram recentemente um conjunto promissor de materiais para alimentar a computação não convencional. Esses materiais são especiais porque podem suportar uma gama especialmente rica e variada de texturas magnéticas. Trabalhando com o autor principal, Dr. Oscar Lee, o grupo do Imperial College London (liderado pelo Dr. Gartside, Kilian Stenning e pelo professor Will Branford) projetou uma arquitetura de computação neuromórfica para aproveitar as propriedades complexas dos materiais para atender às demandas de um conjunto diversificado de tarefas desafiadoras. . Isso deu ótimos resultados e mostrou como a reconfiguração das fases físicas pode adaptar diretamente o desempenho da computação neuromórfica.”
Referência: “Computação de reservatório físico adaptativo a tarefas” por Oscar Lee, Tianyi Wei, Kilian D. Stenning, Jack C. Gartside, Dan Prestwood, Shinichiro Seki, Aisha Aqeel, Kosuke Karube, Naoya Kanazawa, Yasujiro Taguchi, Christian Back, Yoshinori Tokura , Will R. Branford e Hidekazu Kurebayashi, 13 de novembro de 2023, Materiais da Natureza.
DOI: 10.1038/s41563-023-01698-8
O trabalho também envolveu pesquisadores da Universidade de Tóquio e da Technische Universität München e foi apoiado pelo Leverhulme Trust, Engineering and Physical Sciences Research Council (EPSRC), Imperial College London President’s Excellence Fund for Frontier Research, Royal Academy of Engineering, Japan Science e Agência de Tecnologia, Prêmio Katsu de Incentivo à Pesquisa, Asahi Glass Foundation e DFG (Fundação Alemã de Pesquisa).
