Investigadores demuestran computación “nanomagnética” de IA

Estás leyendo la publicación: Investigadores demuestran computación “nanomagnética” de IA

Un equipo de investigadores del Imperial College London ha demostrado cómo es posible realizar inteligencia artificial (IA) con diminutos nanoimanes que interactúan como las neuronas del cerebro.

Este nuevo método de computación “nanomagnética” podría reducir los costos de energía relacionados con la IA. Esto es crucial dado que los costos de energía de la IA se duplican a nivel mundial cada 3,5 meses.

La investigación fue publicada en la revista Nanotecnología.

Lograr un procesamiento similar a la IA con nanoimanes

En el trabajo de investigación, el equipo demostró la primera prueba de que las redes de nanoimanes pueden lograr un procesamiento similar al de la IA. También mostraron cómo estos nanoimanes se pueden usar para tareas de “predicción de series temporales”, que incluyen cosas como predecir los niveles de insulina para pacientes diabéticos.

Las redes neuronales clásicas se basan en la forma en que funciona el cerebro humano, con neuronas que se comunican entre sí para el procesamiento de información. Sin embargo, ha sido difícil usar imanes directamente en este proceso, ya que los investigadores no saben cómo poner datos o extraer información.

Para simular las interacciones de los imanes, los expertos generalmente confían en el software que se ejecuta en computadoras tradicionales basadas en silicio, lo que ayuda a simular el cerebro. El avance actual fue testigo del uso de imanes por parte del equipo para procesar y almacenar datos, lo que elimina la necesidad de una simulación de software.

Los nanoimanes no son todos iguales. En cambio, vienen en varios “estados” que dependen de su dirección. Al aplicar un campo magnético a una red de nanoimanes, el estado de los imanes puede cambiar según las propiedades del campo de entrada y los estados de los imanes circundantes.

🔥 Recomendado:  10 estadísticas y datos de Instagram que debes saber [2023]

Diseñando la nueva técnica

El equipo pudo tomar esto y diseñar una técnica para contar la cantidad de imanes en cada estado después de que pasó el campo.

El Dr. Jack Gartside es coautor del estudio.

“Hemos estado tratando de resolver el problema de cómo ingresar datos, hacer una pregunta y obtener una respuesta de la computación magnética durante mucho tiempo”, dijo el Dr. Gartside. “Ahora que hemos demostrado que se puede hacer, allana el camino para deshacernos del software de computadora que hace la simulación de uso intensivo de energía”.

Killian Stenning es coautor del artículo.

“La forma en que interactúan los imanes nos brinda toda la información que necesitamos; las propias leyes de la física se convierten en la computadora”, dijo Stenning.

El Dr. Will Branford es el líder del equipo.

“Ha sido un objetivo a largo plazo realizar hardware informático inspirado en los algoritmos de software de Sherrington y Kirkpatrick”, dijo el Dr. Branford. “No era posible usar los espines de los átomos en los imanes convencionales, pero al escalar los espines en matrices con patrones nanométricos hemos podido lograr el control y la lectura necesarios”.

Reducción del desperdicio de energía

Gran parte de la energía utilizada para la IA en las computadoras convencionales con chips de silicio se desperdicia debido al transporte ineficiente de electrones durante el procesamiento y el almacenamiento en la memoria. Por otro lado, los nanoimanes no requieren el transporte físico de partículas como los electrones. Procesan y transfieren información con una onda ‘magnónica’, y cada imán afecta el estado de los demás a su alrededor.

🔥 Recomendado:  11 maneras simples y efectivas de calmar tu alma

Este proceso da como resultado un menor desperdicio de energía. El procesamiento y almacenamiento de la información se realiza en conjunto en lugar de por separado, como es el caso de las computadoras tradicionales. Con todos estos avances, la computación nanomagnética podría ser hasta 100 000 veces más eficiente que la computación convencional.

Tabla de Contenido