Spintroniikkapiirit energiatehokkaaseen tekoälyyn

(21.9.2026) Tekoäly mullistaa tapaamme työskennellä ja elää, mutta tekoälymallien kouluttaminen vaatii valtavasti laskentatehoa ja energiaa. Uusien tapojen löytäminen tekoälyn nopeuttamiseksi ja energiatehokkuuden parantamiseksi on tulossa yhdeksi alan suurimmista haasteista.

Analoginen laskenta tarjoaa tehokkaan vaihtoehdon neuromorfisen laskennan piiriteknisille toteutuksille hyödyntämällä fyysisten laitteiden luontaista dynamiikkaa monimutkaisten laskutoimitusten suorittamiseen suoraan sirulla.

International Iberian Nanotechnology Laboratoryn R. Ferreira -ryhmän tutkijat ovat kehittäneet uudentyyppisen spintronisen piiritekniikan, jonka avulla tekoäly voi mahdollisesti oppia suoraan sirulla, mikä tehostaa oppimisprosessia. Uusi teknologia perustuu spintronisiin magneettisiin tunneliliitoksiin, jotka ovat lupaavia rakenneosia aivojen inspiroimalle laskennalle.

Nämä rakenteet voivat käsitellä informaatiota monimutkaisilla, neuronien kaltaisilla tavoilla (epälineaarisuus) ja säilyttää samalla informaation, vaikka virta katkeaisi (ei-volatiliteetti), mikä on kaksi keskeistä ominaisuutta energiatehokkaan tekoälylaitteiston suunnittelussa.

Sen sijaan, että INL:n tutkijat olisivat luottaneet järjestelmän kouluttamiseen yksinkertaistettuihin digitaalisiin malleihin, he kehittivät yhteistyössä Politecnico di Barin, Istituto Nazionale di Geofisica e Vulcanologian sekä Porton ja Messinan yliopistojen tutkijoiden kanssa uuden lähestymistavan, jonka avulla piiritekninen rakenne voi laskea oppimiseen tarvittavat tiedot suoraan sirulta.

Nature Communications -lehdessä julkaistu tutkimus: Opetettava neuromorfinen spintroninen piiritekniikka analogisten äärellisten erotusgradienttimenetelmien avulla. Työ osoitti kokeellisesti, että tämä vaihtoehto mahdollistaa spintronisten neuroverkkojen oppimisen suoraan piiritasolla. Tietokonesimulaatiot osoittivat lisäksi, että tätä menetelmää voidaan laajentaa paljon suurempiin ja syvempiin neuroverkkoihin.

Pääkirjoittaja Catarina Pereira selittää edelleen: ”Tätä gradientin estimointimenetelmää käyttämällä laitteiden epälineaarisuutta voidaan valjastaa suoraan piiritasolla tapahtuvaan oppimiseen ilman, että turvaudutaan piiritekniikan käyttäytymisen digitaalisiin malleihin.”

Tutkijoiden mukaan ehdotettu arkkitehtuuri sopii erityisen hyvin reunalaskentaan, jossa neuroverkkojen on oltava kompakteja ja tehokkaita piiritasolla tapahtuvan oppimisen mahdollistamiseksi, ja se ylittää säilö laskennan menetelmien rajoitukset suoralla parametrikoulutuksella kiinteän dynamiikan ja lineaarisen lukeman mukauttamisen sijaan.

Työtä tukivat Euroopan unionin rahoittamat projektit RadioSpin, SWAN-on-chip ja NIMFEIA.

RadioSpin: Syvät värähtelevät neuroverkot: laskenta ja oppiminen RF-spintronisten synapsien kautta toisiinsa yhdistettyjen RF-neuronien dynamiikan avulla.

SWAN-on-chip: Spintroniikan kiihdytysalustan avulla kehitetty pienen tehonkäytön spintroniikan langaton autonominen solmupiiri (SWAN).

NIMFEIA: Epälineaariset magnonit säilölaskennan käänteisavaruudessa.

Aiheesta aiemmin:

Valon nopeaa tekoälylaskentaa

Fyysiset neuroverkot, kestävän tekoälyn uusi rajaseutu