Seuraava askel neuromorfista laskentaa

Neuromorfiset tietokoneet eivät laske nollia ja ykkösiä käyttäen. Sen sijaan ne käyttävät fyysisiä ilmiöitä havaitakseen kuvioita suurissa datavirroissa suurella nopeudella ja erittäin energiatehokkaalla tavalla.

Katrin ja Helmut Schultheiß yhdessä Helmholtz-Zentrum Dresden-Rossendorfin (HZDR) tiiminsä kanssa ovat nyt vieneet tätä tekniikkaa askeleen eteenpäin. He myös osoittivat, että heidän lähestymistapansa voidaan integroida saumattomasti perinteiseen siruvalmistukseen.

"Monilla automaation aloilla kamppaillaan nopeiden datasignaalien kanssa", Helmut Schultheiß selittää. ”Tämä johtuu siitä, että monet anturit toimittavat pieniä datapaketteja suurella nopeudella. Näiden pakettien kuvioiden tunnistaminen on erittäin energiaintensiivistä nykypäivän tietokonearkkitehtuureille.

Tästä syystä Katrin ja Helmut ja heidän tiiminsä luottavat spinaaltoihin eli magnoneihin. Ajatus niiden käyttämisestä uuden tietojenkäsittelytekniikan luomiseen on jo hieman vanhempi. Schultheiß ja tiimi ovat kuitenkin pyrkimyksillään ratkaisseet ongelman, joka hankaloitti käytännön toteutusta.

"Kaikki tähänastiset konseptit perustuvat siihen, että spinaaltojen on kuljettava paikasta A paikkaan B, jotta niiden kanssa voidaan toimia", Helmut Schultheiß selittää. "Mutta tässä suhteessa ei ole käyttökelpoisia materiaaleja." Joten tutkijat lähtivät toiseen suuntaan. He ovat puristaneet koko prosessin vain muutaman mikrometrin paksuiseksi magneettilevyksi ja saaneet sen värisemään.

Koottu rakenne värähtelee ja erityisesti eri taajuuksilla samanaikaisesti. Syntyneet värinätilat ilmenevät koko tilassa eivätkä vain kulje paikasta A paikkaan B. Ne ovat seisovia aaltoja, jotka elävät koko rakenteessa.

"Työssämme pystyimme osoittamaan, että erilaiset syöttökuviot tuottivat aina ainutlaatuisia värähtelykuvioita", Schultheiß sanoo. "Ja tämä prosessi on aikaherkkä. Joten jos muutamme tulosignaalien järjestystä, myös kuviot muuttuvat." Tämä on vaatimus datan arvioimiseksi reaaliajassa.

Nykyisillä tietokonearkkitehtuureilla on ongelmia kuvioiden tunnistamisessa ja monimutkaisuuden ymmärtämisessä." Helmut Schultheiß voisi esimerkiksi kuvitella sovelluksensa liikenteen optimointiin. Tämä johtuu siitä, että neuromorfiset tietokoneet voisivat seuloa valtavan määrän dataa – joita tarjoavat Googlen kaltaiset palvelut yhdistettynä älypuhelimiin ja itse autoihin – löytääkseen kuvioita ja ennustaa liikenneruuhkaa ennen kuin ensimmäinen auto edes pysähtyy.

"Sellainen on erittäin monimutkainen tavoite, jossa perinteiset tietokonearkkitehtuurit ovat todella vaikeuksissa. Tarvitaan useita laskentavaiheita. Toisaalta se on ihanteellinen sovellusalue neuromorfiselle laskennalle, säilölaskennallelle ja tekoälylle."

Koska uudet tekniikat eivät ole vain pieniä, vaan myös uskomattoman energiatehokkaita, ne voisivat toimia suoraan antureilla. Tätä kutsutaan "reunalaskennaksi" ja siitä on apua aina, kun suurten tietomäärien siirtäminen on vaikeaa tai kallista.

"Älykäs ylläpito voisi myös hyötyä suuresti reunalaskennasta neuromorfisten prosessien kanssa", Schultheiß sanoo. ”Esimerkiksi tuuliturbiinien osalta he voisivat etsiä käyttöakseleista värähtelykuvioita, jotka havaitsevat laakerivauriot. Tämä helpottaisi huoltoa ennen kuin laakeri edes pettää. Tämä säästää rahaa, energiaa ja resursseja."

Aiheesta aiemmin:

Käsialakuvion ennätysmäistä tunnistusta

Ioninen nestepohjainen säilölaskenta

Tekoälyn voimaa