A medida que se expande la Internet de los objetos, los ingenieros quieren integrar la IA en todo, pero la cantidad de energía que requiere es un reto para los dispositivos más pequeños y remotos. Un nuevo enfoque de computación «nanomagnética» podría ofrecer una solución.

Mientras que la mayoría de los AI El desarrollo actual se centra en modelos grandes y complejos que se ejecutan en enormes centros de datos, pero también hay una creciente demanda de formas de ejecutar aplicaciones de IA más sencillas en dispositivos más pequeños y con más limitaciones de energía.

Para muchas aplicaciones, desde los wearables hasta los sensores industriales inteligentes o los drones, el envío de datos a sistemas de IA basados en la nube no tiene sentido. Esto puede deberse a la preocupación por compartir datos privados o a los inevitables retrasos que conlleva 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 se utilizan normalmente para la IA. Además, suelen funcionar con baterías o con energía recogida del entorno, por lo que no pueden satisfacer los exigentes requisitos de energía de los enfoques de aprendizaje profundo convencionales.

This has led to a growing body of research into new hardware and computing approaches that make it possible to run AI on these kinds of systems. Much of this work has sought to borrow from the brain, which is capable of incredible feats of computing while using the same amount of power as a light bulb. These include neuromorphic chips that mimic the wiring of the brain and processors built from memristores -componentes electrónicos que se comportan como neuronas biológicas.

Una nueva investigación dirigida por y científicos del Imperial College de Londres sugiere que la computación con redes de imanes a nanoescala podría ser una alternativa prometedora. En un papel publicado la semana pasada en Naturaleza Nanotecnología El equipo demostró que, aplicando campos magnéticos a un conjunto de diminutos elementos magnéticos, podían entrenar al sistema para que procesara datos complejos y proporcionara predicciones utilizando una fracción de la potencia de un ordenador normal.

El núcleo de su enfoque es lo que se conoce como metamaterial, un material fabricado por el hombre cuya estructura física interna está cuidadosamente diseñada para darle propiedades inusuales que no se encuentran normalmente en la naturaleza. En concreto, el equipo creó un «sistema de espín artificial», una disposición de muchos nanoimanes que se combinan para mostrar un comportamiento magnético exótico.

Their design is made up of a lattice of hundreds of 600-nanometer-long bars of permalloy, a highly magnetic nickel-iron alloy. These bars are arranged in a repeating pattern of Xs whose upper arms are thicker than their lower arms.

Normalmente, los sistemas de espín artificial tienen una sola textura magnética, que describe el patrón de magnetización en sus nanoimanes. Sin embargo, el metamaterial del equipo del Imperial presenta dos texturas distintas y la capacidad de que diferentes partes del mismo cambien entre ellas en respuesta a los campos magnéticos.

Los investigadores utilizaron estas propiedades para implementar una forma de IA conocida como computación de depósito. A diferencia del aprendizaje profundo, en el que una red neuronal reconfigura sus conexiones a medida que se entrena en una tarea, este enfoque introduce datos en una red cuyas conexiones son todas fijas y simplemente entrena una única capa de salida para interpretar lo que sale de esta red.

También es posible sustituir esta red fija por sistemas físicos, incluyendo cosas como memristores u osciladores, siempre que tengan ciertas propiedades, como una respuesta no lineal a las entradas y alguna forma de memoria de entradas anteriores. El nuevo sistema de espín artificial cumple estos 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 sometiéndolo a secuencias de campos magnéticos antes de permitir su propia dinámica interna a procesar los datos. A continuación, utilizaron una técnica de imagen denominada resonancia ferromagnética para determinar la distribución final de los nanoimanes, lo que proporcionó la respuesta.

Aunque no se trataba de tareas prácticas de procesamiento de datos, el equipo pudo demostrar que su dispositivo era capaz de igualar los principales esquemas de computación de depósito en una serie de retos de predicción que implicaban datos que varían con el tiempo. Y lo que es más importante, demostraron que era capaz de aprender de forma eficiente en conjuntos de entrenamiento bastante cortos, lo que sería importante en muchas aplicaciones del mundo real del IoT.

Y no sólo es un dispositivo 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 amplíe, podría ser 100.000 veces más eficiente que la computación convencional.

Queda mucho camino por recorrer antes de que este tipo de dispositivo pueda tener un uso práctico, pero los resultados sugieren que los ordenadores basados en imanes podrían desempeñar un papel importante en la incorporación de la IA en todas partes.

Crédito de la imagen: BarbaraJackson / 264 imágenes