[ad_1]
(noticias nanowerk) Una forma de computación inspirada en el cerebro que aprovecha las propiedades físicas intrínsecas de un material para reducir drásticamente el consumo de energía está ahora un paso más cerca de la realidad, gracias a un nuevo estudio dirigido por investigadores de la UCL y el Imperial College de Londres.
En el nuevo estudio, publicado en la revista Materiales naturales (“Computación de reservorio físico adaptativa a tareas”), un equipo internacional de investigadores utilizó imanes quirales (retorcidos) como medio informático y descubrió que las propiedades físicas de estos materiales podían ajustarse aplicando un campo magnético externo y cambiando la temperatura, haciendo Son adecuados para diversas tareas de aprendizaje automático.
![Computación neuromórfica](https://www.nanowerk.com/nanotechnology-news2/id64044_1.jpg)
Este enfoque, conocido como “computación de reservorios físicos”, se ha visto limitado anteriormente debido a su falta de reconfigurabilidad. Esto se debe a que las propiedades físicas de un material pueden permitirle sobresalir en un subconjunto particular de tareas computacionales pero no en otras.
Dr. Oscar Lee (Centro de Nanotecnología de Londres de la UCL y Departamento de Ingeniería Electrónica y Eléctrica de la UCL), autor principal del artículo, dijo: «Este trabajo nos acerca un paso más a la realización de todo el potencial de las reservas físicas para el desarrollo de computadoras». No solo utilizan mucha menos energía, sino que también adaptan sus propiedades computacionales para funcionar de manera óptima en diferentes tareas, al igual que nuestro cerebro.
«El siguiente paso es identificar materiales y arquitecturas de dispositivos que sean comercialmente viables y escalables».
Las computadoras convencionales consumen grandes cantidades de electricidad. Esto se debe en parte a que hay unidades separadas para el almacenamiento y procesamiento de datos, lo que significa que la información debe pasar constantemente entre ambas, desperdiciando energía y generando calor. Esto es particularmente un problema en el aprendizaje automático, cuyo procesamiento requiere grandes conjuntos de datos. Entrenar un modelo de IA de gran tamaño puede producir cientos de toneladas de dióxido de carbono.
La computación de reservorio físico es uno de varios enfoques neuromórficos (o inspirados en el cerebro) que tienen como objetivo eliminar la necesidad de unidades de almacenamiento y procesamiento dispares, permitiendo métodos más eficientes de procesamiento de datos. La computación de reservorio físico no solo representa una alternativa más sostenible a la computación tradicional, sino que también podría integrarse en circuitos existentes para proporcionar una funcionalidad adicional y energéticamente eficiente.
En el estudio, en el que participaron investigadores de Japón y Alemania, el equipo utilizó un analizador de redes vectoriales para determinar la absorción de energía de los imanes quirales en diferentes intensidades de campo magnético y temperaturas que oscilan entre -269 °C y temperatura ambiente.
Descubrieron que las diferentes fases magnéticas de los imanes quirales funcionaban excelentemente en diferentes tipos de tareas computacionales. La fase skyrmion, en la que las partículas magnetizadas se arremolinan en un patrón similar a un vórtice, tenía una gran capacidad de memoria adecuada para tareas de predicción. La fase cónica, por otro lado, tenía poca memoria, pero su no linealidad era ideal para tareas de transformación y clasificación (por ejemplo, identificar si un animal es un gato o un perro).
Coautor Dr. Jack Gartside del Imperial College London dijo: “Nuestros colaboradores de la UCL en el grupo del profesor Hidekazu Kurebayashi han identificado recientemente una gama prometedora de materiales para respaldar la informática no convencional. Lo especial de estos materiales es que pueden soportar una gama particularmente rica y diversa de texturas magnéticas. En colaboración con el autor principal, el Dr. Oscar Lee, el grupo del Imperial College de Londres [led by Dr Gartside, Kilian Stenning and Professor Will Branford] diseñó una arquitectura de computadora neuromórfica para explotar las propiedades complejas de los materiales para satisfacer las necesidades de una variedad de tareas exigentes. Esto condujo a excelentes resultados y mostró cómo la reconfiguración de las fases físicas puede adaptar directamente el rendimiento de la computación neuromórfica”.
[ad_2]