Крок до розуміння: магнітна трекова пам'ять може працювати подібно нейронам в мозку людини

Крок до розуміння: магнітна трекова пам'ять може працювати подібно нейронам в мозку людини

Машинне навчання та алгоритми штучного інтелекту потребують власної процесорної бази, а не процесорів загального призначення. Це необхідно для оптимізації роботи нейронних мереж при обробці масивів даних. В ідеалі необхідно створити кремнієвий аналог головного мозку людини. Втім, кремній не відповідає поставленим цілям. Рішенням може стати електроніка на основі взаємодії магнітних полів.


Група дослідників з Інженерної школи Кокрелла при Техаському університеті в місті Остін провела серію експериментів з використання магнітних ланцюгів для енергоефективної обробки великих даних. Стаття про роботу опублікована в журналі IOP Nanotechnology (доступ платний). Вчені на практиці переконалися у взаємній і продуктивній взаємодії пари магнітних переходів у вигляді так званих доменних стін (прикордонних переходів намагніченості).


Магнітні взаємодії між двома сусідніми логічними елементами, а кожна доменна стіна в рамках трекової пам'яті ― це логічні 0 або 1, призводять до ослаблення одного з них. Для схем на класичній кремнієвій логіці для цього потрібні були б спеціальні коригувальні ланцюги, які б донесли реакцію одного елемента до іншого. Магнітна взаємодія, як виявилося, автоматично придушує сигнал сусіднього елемента без будь-яких додаткових ланцюгів через «простір і час». Фактично безкоштовно.

Подібним чином діють нейрони в головному мозку людини. Нейрон, який найбільш швидко збудився, пригнічує активність інших нейронів у шарі, де він знаходиться. Немає потреби зайвий раз пояснювати, що головний мозок після мільйонів років еволюції виконує свої завдання найбільш ефективним чином. Так і з магнітними доменами. Якщо замість складної кремнієвої логіки з масою зворотних зв'язків створити взаємно впливають один на одного масиви доменних стін з більш простою реалізацією зв'язків, то це істотно знизить енергетичні витрати на обробку даних.

У сфері машинного навчання описаний вище ефект називається поперечним гальмуванням і реалізується за допомогою складної логіки. Магнітні елементи, як бачимо, спрощують схемотехніку для реалізації тих же алгоритмів. Дослідники з Техаського університету змогли показати це на моделі з двох магнітних елементів і вивели математичну модель для масиву з 1000 елементів. На наступному етапі вони мають намір провести експерименти з безліччю магнітних елементів.

Image

Publish modules to the "offcanvas" position.