Ricercatori dell’UCL e dell’Imperial College di Londra svelano l’apprendimento automatico energeticamente efficiente attraverso il reservoir computing adattativo ai compiti

Scoperta dell'UCL e dell'Imperial College di Londra l'apprendimento automatico efficiente ed energetico attraverso il reservoir computing adattativo ai compiti

I computer convenzionali consumano molta energia; rappresentano circa il 10% del fabbisogno energetico mondiale. Questo perché i computer tradizionali dipendono da unità distinte per elaborare e archiviare i dati, rendendo necessaria una continua alternanza tra le due unità. Si produce calore e si spreca energia in questo processo.

Il computing ispirato al cervello o il computing neuromorfico è una soluzione potenzialmente efficace ai problemi di efficienza energetica dei computer tradizionali. È modellato sulla struttura e sul funzionamento del cervello umano, che può effettuare calcoli complessi consumando pochissima energia.

Utilizzare serbatoi fisici è un principio fondamentale del computing neuromorfico. I materiali con dinamiche non lineari, o quelli il cui comportamento è sensibile anche a lievi variazioni in ingresso, sono noti come serbatoi fisici. Possono codificare le informazioni nel loro stato fisico, rendendoli perfetti per i calcoli.

• Questa ricerca AI dalla Cina presenta GS-SLAM un nuovo approccio per una mappatura tridimensionale e localizzazione migliorata.
• Rivoluzionando l’arte digitale I ricercatori dell’Università Nazionale di Seoul introducono un nuovo approccio alla creazione di collage utilizzando l’apprendimento per rinforzo
• Questa ricerca sull’intelligenza artificiale introduce GAIA un punto di riferimento che definisce il prossimo traguardo nel profilo di competenza dell’intelligenza artificiale generale.

In uno studio recente, un gruppo internazionale di accademici ha creato una nuova forma di computing fisico a serbatoio, che utilizza magneti chirali come VoAGI per i calcoli. I materiali con struttura elicoidale, o magneti chirali, hanno proprietà magnetiche uniche. Gli scienziati hanno scoperto di poter modificare la temperatura e applicare un campo magnetico esterno per regolare la fase magnetica dei magneti chirali. Grazie a ciò, potevano modificare le caratteristiche fisiche dei materiali per adattarli a diverse applicazioni di apprendimento automatico. Ad esempio, è stato scoperto che la fase dello skyrmion, in cui le particelle magnetizzate ruotano in un modello a vortice, possiede una forte memoria, il che la rende ideale per applicazioni di previsione. D’altra parte, è stato scoperto che la fase conica aveva una memoria minima, ma la sua non linearità la rendeva perfetta per lavori di classificazione e trasformazione.

Rispetto ai metodi di computing neuromorfico più convenzionali, questo nuovo approccio al computing fisico a serbatoio offre diversi vantaggi. Innanzitutto, è più efficiente dal punto di vista energetico poiché non richiede elettronica esterna. In secondo luogo, può essere adattato a una gamma più ampia di compiti di apprendimento automatico ML.

Trovare una soluzione informatica più efficiente dal punto di vista energetico ha fatto un passo avanti con la creazione di questo nuovo tipo di computing ispirato al cervello. Con ulteriori ricerche, questa tecnologia potrebbe modificare significativamente il modo in cui elaboriamo i dati.