Hexagonale magnetische Defekte könnten zu energieeffizientem neuromorphem Computing führen

Die Anwendungen künstlicher Intelligenz nehmen erheblich zu und werden voraussichtlich in naher Zukunft zu Mainstream-Technologien werden. Allerdings laufen diese Anwendungen auf herkömmlicher Computerhardware und sind äußerst stromhungrig.

Dadurch entstehen Möglichkeiten für die Entwicklung neuer energieeffizienter Hardwarelösungen, die von der Natur inspiriert sind, beispielsweise Brain-based Computing. Zu den bekanntesten Beispielen zählen neuromorphes Computing und neuronale Netze, die die Funktionsweise des menschlichen Gehirns nachahmen. Eine mögliche Realisierung solcher neuronalen Netze ist die Verwendung eines künstlichen Spin-Ice-Netzwerks (ASI). Das britische National Physical Laboratory und Partner untersuchten die Auswirkungen der Einführung hexagonaler magnetischer Defekte in eine solche ASI-Struktur.

Die Forschung wird in der Zeitschrift veröffentlicht Kommunikationsausrüstung.

Durch interdisziplinäre Forschung gelang es dem internationalen Team, einen Mechanismus zur Anpassung des Verhaltens des ASI-Systems zu demonstrieren, indem die entworfenen magnetischen Defekte eingeführt wurden, die stochastische topologische Anregungen im System verursachen und die Dynamik der neuronalen Netze auf der Grundlage des ASI steuern. Es wird erwartet, dass die Auswirkungen dieser Entdeckung in Anwendungen wie magnetischen Speichergeräten und spinbasierten Logikanwendungen zum Einsatz kommen.

Die Ergebnisse dieser Studie liefern Einblicke in das kollektive und stochastisch kontrollierte Verhalten in künstlichen neuronalen Netzen, die über das ASI-Magnetnetzwerk realisiert werden, und ebnen den Weg für zukünftige Forschungen zu neuen Anwendungen wie rekonfigurierbaren Spinwellenleitern und den Hardware-Errungenschaften zukünftiger Low-Power-Computing. Systeme.

NPL-Stipendiatin Olga Kazakova sagte: „Diese Arbeit markiert einen sehr wichtigen Meilenstein für uns: Wir sind in der Lage, topologische Zustände im Zusammenhang mit ASI-Fehlern kontrollierbar zu erzeugen und stochastisches, aber statistisch vorhersehbares Verhalten innerhalb des ASI-Netzwerks zu demonstrieren.“ Die Ergebnisse bringen uns der Realisierung energieeffizienten neuromorphen Computings näher. Es war das Ergebnis einer großen internationalen Zusammenarbeit mit großen Forschungseinrichtungen in Großbritannien, Deutschland und Frankreich.