I nanomagneti possono scegliere un vino e potrebbero soddisfare la sete di energia dell’IA
Un nuovo tipo di rete neurale ha superato un test di degustazione di vini virtuali e promette una versione dell’intelligenza artificiale meno affamata di energia.

 

I cervelli umani elaborano un sacco di informazioni. Quando gli appassionati di vino assaggiano un vino nuovo, le reti neurali nel loro cervello elaborano una serie di dati da ogni sorso. Le sinapsi nei loro neuroni si attivano, soppesando l’importanza di ogni bit di dati – acidità, fruttato, amarezza – prima di trasmetterlo allo strato successivo di neuroni nella rete. Mentre le informazioni fluiscono, il cervello analizza il tipo di vino. 

Gli scienziati vogliono che anche i sistemi di intelligenza artificiale (AI) siano sofisticati intenditori di dati, quindi progettano versioni per computer di reti neurali per elaborare e analizzare le informazioni. L’intelligenza artificiale sta raggiungendo il cervello umano in molte attività, ma di solito consuma molta più energia per fare le stesse cose. Il nostro cervello effettua questi calcoli consumando una media stimata di 20 watt di potenza. Un sistema di intelligenza artificiale può utilizzarlo migliaia di volte. Questo hardware può anche ritardare, rendendo l’IA più lenta, meno efficiente e meno efficace del nostro cervello. Un ampio campo di ricerca sull’IA è alla ricerca di alternative a minor consumo energetico. 

Ora, in uno studio pubblicato sulla rivista  Physical Review Applied ,  gli scienziati del National Institute of Standards and Technology (NIST) e i loro collaboratori hanno sviluppato un nuovo tipo di hardware per l’IA che potrebbe utilizzare meno energia e funzionare più rapidamente, e ha già superato un test di degustazione virtuale. 

Come con i sistemi informatici tradizionali, l’IA comprende sia circuiti hardware fisici che software. L’hardware del sistema di intelligenza artificiale contiene spesso un gran numero di chip di silicio convenzionali che sono assetati di energia come gruppo: la formazione di un processore di linguaggio naturale commerciale all’avanguardia, ad esempio, consuma circa 190 megawattora (MWh) di energia elettrica, circa l’importo che 16 persone negli Stati Uniti utilizzano in un anno intero. E questo prima che l’IA faccia un giorno di lavoro sul lavoro per cui è stata addestrata.

Un approccio meno dispendioso in termini energetici sarebbe quello di utilizzare altri tipi di hardware per creare le reti neurali dell’IA e i team di ricerca sono alla ricerca di alternative. Un dispositivo promettente è una giunzione a tunnel magnetico (MTJ), che è buona per i tipi di matematica utilizzati da una rete neurale e richiede solo pochi sorsi comparativi di energia. È stato dimostrato che altri nuovi dispositivi basati su MTJ  utilizzano molta meno energia  rispetto alle loro controparti hardware tradizionali. Gli MTJ possono anche funzionare più rapidamente perché memorizzano i dati nello stesso posto in cui eseguono i loro calcoli, a differenza dei chip convenzionali che archiviano i dati altrove. Forse la cosa migliore è che gli MTJ sono già importanti dal punto di vista commerciale. Sono state per anni le testine di lettura-scrittura delle unità disco rigido e oggi vengono utilizzate come nuove memorie per computer.

Sebbene i ricercatori abbiano fiducia nell’efficienza energetica degli MTJ in base alle loro prestazioni passate su dischi rigidi e altri dispositivi, il consumo di energia non era al centro del presente studio. Avevano bisogno di sapere in primo luogo se una serie di MTJ potesse funzionare anche come rete neurale. Per scoprirlo, l’hanno preso per una degustazione virtuale di vini. 

Scienziati con il  programma Hardware for AI del NIST  e i loro colleghi dell’Università del Maryland hanno fabbricato e programmato una rete neurale molto semplice da MTJ forniti dai loro collaboratori presso il Centro di ricerca di Western Digital a San Jose, in California. 

Proprio come ogni intenditore di vino, il sistema di intelligenza artificiale aveva bisogno di allenare il suo palato virtuale. Il team ha addestrato la rete utilizzando 148 vini da un set di dati di 178 prodotti da tre tipi di uva. Ogni vino virtuale aveva 13 caratteristiche da considerare, come il livello alcolico, il colore, i flavonoidi, la cenere, l’alcalinità e il magnesio. A ciascuna caratteristica è stato assegnato un valore compreso tra 0 e 1 che la rete deve considerare quando distingue un vino dagli altri. 

“È una degustazione di vini virtuale, ma la degustazione viene effettuata da un’apparecchiatura analitica che è più efficiente ma meno divertente dell’assaggiarla da soli”, ha affermato il fisico del NIST Brian Hoskins.

Quindi è stato sottoposto a un test virtuale di degustazione di vini sull’intero set di dati, che includeva 30 vini che non aveva mai visto prima. Il sistema è passato con una percentuale di successo del 95,3%. Dei 30 vini su cui non si era allenato, ha commesso solo due errori. I ricercatori hanno considerato questo un buon segno.

“Ottenere il 95,3% ci dice che sta funzionando”, ha detto il fisico del NIST Jabez McClelland. 

Il punto non è costruire un sommelier AI. Piuttosto, questo successo iniziale mostra che una serie di dispositivi MTJ potrebbe potenzialmente essere ampliata e utilizzata per costruire nuovi sistemi di intelligenza artificiale. Sebbene la quantità di energia utilizzata da un sistema di intelligenza artificiale dipenda dai suoi componenti, l’utilizzo di MTJ come sinapsi potrebbe ridurre drasticamente il consumo di energia della metà se non di più, il che potrebbe consentire un consumo energetico inferiore in applicazioni come abbigliamento “intelligente”, droni in miniatura o sensori che elaborano i dati alla fonte. 

“È probabile che si realizzeranno risparmi energetici significativi rispetto agli approcci basati su software convenzionali implementando reti neurali di grandi dimensioni utilizzando questo tipo di array”, ha affermato McClelland. 

 

Di ihal