Nanomagnetic Computing
사물 인터넷이 확장되면서 엔지니어들은 모든 것에 AI를 포함하기를 원합니다.
그러나 필요한 에너지의 양은 가장 작고 도전적인 원격 장치입니다.
새로운 "나노 마그네틱" 컴퓨팅 접근 방식이 해결책을 제공할 수 있습니다.
오늘날 대부분의 AI 개발은 대규모 데이터 센터에서 실행되는 복잡하고 큰 모델에 초점을 맞추고 있지만,
전력이 제한된 소형 장치에서 더 간단한 AI 애플리케이션을 실행하는 방법에 대한 요구도 증가하고 있습니다.
웨어러블에서 스마트 산업 센서, 드론까지, 많은 애플리케이션에서 클라우드 기반 AI 시스템으로 데이터를 전송하는 것은 의미가 없습니다.
개인 데이터 공유에 대한 우려나 데이터 전송 지연 및 답변 대기 때문일 수 있습니다.
그러나 이러한 장치의 대부분은 AI에 일반적으로 사용되는 고성능 프로세서 유형을 수용하기에는 너무 작습니다.
또한 배터리 또는 환경에서 수확한 에너지로 구동되는 경향이 있어
기존의 딥 러닝 액세스 방식의 엄격한 전력 요구 사항을 만족시키지 못합니다.
이로 인해 AI가 이러한 유형의 시스템에서 실행될 수 있도록 하는 새로운 하드웨어 및 컴퓨팅 접근 방식에 대한 연구가 증가하고 있습니다.
이 작업의 대부분은 전구와 같은 양의 전력을 사용하고 믿을 수 없는 컴퓨팅 능력을 생산할 수 있는 두뇌에서 빌려서 수행되었습니다.
여기에는 뇌의 배선을 모방한 뉴로모픽 칩과 생물학적 뉴런과 같은 역할을 하는 전자 부품인 memrister 로 만들어진 프로세서가 포함됩니다.
임페리얼 칼리지 런던의 과학자들에 의한 새로운 연구는 나노 크기의 자석 네트워크를 이용한 컴퓨팅이 유망한 대안이 될 수 있다는 것을 시사합니다.
지난 주 Nature Nanotechnology에 발표된 논문에서 연구팀은,
작은 자기장 배열에 자기장을 적용하면 시스템이 복잡한 데이터를 처리하도록 훈련시키고 일반 컴퓨터의 극히 일부만을 사용하여 예측을 제공할 수 있다는 것을 보여주었습니다.
그들의 접근법의 중심은 메타 물질(Metamatter)로 알려져 있는데,
이것은 내부의 물리적 구조물에 자연적이고 일반적으로 발견되지 않은 고유한 특성을 부여하도록 신중하게 설계된 인공 물질입니다.
특히 연구팀은 이국적인 자기 행동을 보여주기 위해 결합된 나노 자석의 배열인 "인공 스핀 시스템"을 만들었습니다.
그들의 디자인은 자성이 강한 니켈 철 합금인 페마로이(Permaroy)로 이루어진 600 나노미터 길이의 막대 수백 개로 구성된 격자로 구성되어 있습니다.
이 막대들은 상기 상부 팔이 하부 팔보다 두꺼운 X의 반복 패턴으로 배열됩니다.
일반적으로 인공 스핀 시스템은 전체 나노 자석의 자화 패턴을 설명하는 단일 자기 텍스처를 가지고 있습니다. 그러나 Imperial 팀의 메타물질은 두 가지 독특한 질감과 자기장에 반응하여 다른 부분들을 변형시킬 수 있는 능력을 가지고 있습니다.
이러한 속성을 사용하여 연구원들은 저장고 컴퓨팅으로 알려진 AI 형태를 실현했습니다.
신경망 작동을 훈련할 때 연결을 다시 연결하는 딥 러닝과 달리,
이 접근 방식은 모든 고정 연결이 있는 네트워크에 데이터를 제공하고 이 네트워크에서 나오는 것을 해석하기 위해 단일 출력 계층을 훈련시키기만 하면 됩니다.
입력에 대한 비선형 응답 및 이전 입력의 일부 메모리 형식과 같은 특정 속성이 있는 한 이 고정 네트워크를 멤리스터 또는 발진기와 같은 물리적 시스템으로 교체할 수 있습니다.
새로운 인공 스핀 시스템이 이러한 요구 사항을 충족시키기 때문에,
연구팀은 이를 일련의 데이터 처리 작업을 수행하기 위한 저장소로 사용했습니다.
그들은 시스템 자체의 내부 역학이 데이터를 처리하기 전에 일련의 자기장을 수신하여 시스템에 데이터를 입력합니다.
그리고 나서 그들은 강자성 공명이라고 불리는 영상 기술을 나노 자석의 최종 분포를 결정하기 위해 사용했고, 이것은 해답을 제공합니다.
이것이 실용적인 데이터 처리 작업은 아니었지만,
연구팀은 장치가 주요 저장고 컴퓨팅 시스템과 시간 변동 데이터에 대한 일련의 예측 문제를 일치시킬 수 있음을 입증할 수 있었습니다.
중요한 것은, 그들은 많은 실제 IoT 애플리케이션에서 중요한 매우 짧은 훈련 세트에서 효율적으로 학습할 수 있다는 것을 보여줍니다.
그리고 그 장치가 매우 작을 뿐만 아니라
전기를 순환시키기 위해 자기장을 사용하는 대신에 훨씬 적은 전력을 소비한다는 것을 의미합니다.
보도 자료에서, 연구원들은 스케일링이 기존 컴퓨팅보다 10만 배 더 효율적이라고 추정합니다.
이러한 유형의 장치가 실용화되지는 않았지만,
결과는 자석 기반 컴퓨터가 모든 곳에서 AI를 통합하는 데 중요한 역할을 할 수 있음을 시사합니다.
댓글