“纳米磁”计算可以大大减少人工智能的能源使用

随着物联网的扩展，工程师们希望将人工智能嵌入到一切事物中，但它所需的能量对于最小和最远程的设备来说是一个挑战。一种新的“纳米磁”计算方法可以提供解决方案。

尽管当今大多数AI开发都集中在大型数据中心中运行的大型复杂模型上，但对于在更小、更受功率限制的设备上运行更简单的 AI 应用程序的方法的需求也在不断增长。

对于许多应用，从可穿戴设备到智能工业传感器再到无人机，将数据发送到基于云的 AI 系统是没有意义的。这可能是由于对共享私人数据的担忧，或者由于传输数据和等待响应而不可避免的延迟。

但其中许多设备太小，无法容纳通常用于人工智能的高性能处理器。它们还倾向于使用电池或从环境中收集的能量运行，因此无法满足传统深度学习方法的苛刻功率要求。

这导致了对新硬件和计算方法的越来越多的研究，这些方法使得在这些类型的系统上运行人工智能成为可能。这项工作的大部分都试图从大脑中借鉴，大脑能够在使用与灯泡相同的电量时进行令人难以置信的计算壮举。其中包括模仿大脑布线的神经形态芯片和由忆阻器（行为类似于生物神经元的电子元件）构建的处理器。

由伦敦帝国理工学院的科学家领导的新研究表明，使用纳米级磁体网络进行计算可能是一种很有前途的替代方案。在上周发表在Nature Nanotechnology上的一篇论文中，该团队表明，通过将磁场应用于一系列微小的磁性元件，他们可以训练系统处理复杂数据并使用普通计算机的一小部分功能提供预测。

他们方法的核心是所谓的超材料，这是一种人造材料，其内部物理结构经过精心设计，赋予其在自然界中通常不具备的不同寻常的特性。特别是，该团队创建了一个“人工自旋系统”，这是一种由许多纳米磁体组合而成的排列组合以表现出奇异的磁性行为。

他们的设计是由数百个 600 纳米长的坡莫合金条组成的晶格，坡莫合金是一种高磁性镍铁合金。这些条形按 X 的重复模式排列，其上臂比下臂粗。

通常人工自旋系统具有单一的磁性结构，它描述了其纳米磁体的磁化模式。但是帝国团队的超材料具有两种不同的纹理，并且它的不同部分能够根据磁场在它们之间切换。

研究人员利用这些特性实现了一种称为油藏计算的人工智能形式。与深度学习不同，在深度学习中，神经网络在训练任务时会重新连接其连接，这种方法将数据输入到连接全部固定的网络中，并简单地训练单个输出层来解释来自该网络的内容。

也可以用物理系统替换这个固定网络，包括忆阻器或振荡器，只要它们具有某些特性，例如对输入的非线性响应和对先前输入的某种形式的记忆。新的人工自旋系统符合这些要求，因此团队将其用作水库来执行一系列数据处理任务。

他们在允许系统自身的内部动力学处理数据之前，通过对其施加磁场序列来将数据输入系统。然后，他们使用一种称为铁磁共振的成像技术来确定纳米磁体的最终分布，从而提供了答案。

虽然这些不是实际的数据处理任务，但该团队能够证明他们的设备能够在涉及随时间变化的数据的一系列预测挑战中与领先的储层计算方案相匹配。重要的是，他们表明它能够在相当短的训练集上有效地学习，这在许多现实世界的物联网应用中都很重要。

该设备不仅非常小，而且它使用磁场进行计算而不是在周围穿梭电力这一事实意味着它消耗的功率要少得多。在一份新闻稿中，研究人员估计，当扩大规模时，它的效率可能是传统计算的 100,000 倍。

这种设备要投入实际使用还有很长的路要走，但结果表明，基于磁铁的计算机可以在将人工智能嵌入任何地方发挥重要作用。