Нейросеть впервые запустили на спинтронном чипе

Нейросеть впервые запустили на спинтронном чипе

Опубликовано: 2016-12-24

Исследователи Университета Тохоку, Япония, сообщили о первом в мире успешном эксперименте работы искусственного интеллекта на базе энергонезависимого спинтронного устройства. Описание эксперимента опубликовано в журнале Applied Physics Express.

Разработки в области искусственного интеллекта направлены на создание вычислительных систем, которые могли бы воспринимать и обрабатывать информацию так же, как это делает человек. Например, использовать ассоциации при распознавании образов. Классические полупроводниковые микросхемы, используемые для решения таких задач, оказываются достаточно громоздкими и довольно энергозатратными по сравнению с человеческим мозгом.

Решить проблему энергопотребления может спинтроника — электроника, работающая со спиновыми (спин-поляризованными) токами. Ее отличие от традиционной электроники заключается в том, что если в обычном электрическом токе перемещаются заряды, то в электронике нового поколения перемещаются спины электронов. Спин электрона может находиться в одном из двух состояний − либо направление спина совпадает с направлением намагниченности магнитного материала, либо спин и намагниченность разнонаправлены, причем переворот спина практически не требует затрат энергии, а если изменить направление спина, то кинетическая энергия электрона не изменится — то есть тепла почти не выделяется. Таким образом, спиновая электроника обеспечивает быстродействие, а также низкое энергопотребление и тепловыделение — в сочетании эти свойства идеально подходят для основы устройств с искусственным интеллектом.

Новая работа на базе твердотельного спинтронного устройства реализует один из самых распространенных вариантов нейросети — нейронную сеть Хопфилда. Одно из ее применений — автоматическая ассоциативная память. Нейронная сеть этой модели умеет запоминать эталонные образы и находить похожие на них паттерны среди зашумленных входных данных. При этом модель показывает, каким образом может быть организована память в сети из элементов, которые не являются очень надежными. Экспериментальные данные показывают, что даже при увеличении количества вышедших из строя нейронов до 50 процентов, вероятность правильного ответа остается близка к 100 процентам. Продемонстрированное устройство может «запоминать» произвольное значение между 0 и 1, обучаясь в аналоговом режиме — до некоторой степени это соответсвует принципам обучения живого мозга на основе пластичности проводимости в синапсах мозга.

В основе нового устройства лежат спинтронные «синапсы» — двухслойные датчики типа антиферромагнетик-ферромагнетик, которые имеют разное сопротивление в зависимости от силы пропускаемого тока за счет переключения спин-орбитального крутящего момента. В предыдущем исследовании группа ученых показала, что переключение момента не требует внешнего магнитного поля и определяется только структурой материала. Устройство включает в себя аналоговую схему на базе тридцати шести спинтронных синапсов, плату для генерации электрических импульсов, и программный модуль. Веса в нейросети задают величины сопротивления в синапсах. А на них, в свою очередь, влияет сила электрического импульса, которая рассчитывается в зависимости от текущего сопротивления схемы. Модель Хопфилда обновляет веса до достижения положения равновесия. Экспериментальная проверка устройства показала, что обучение модели проходит довольно эффективно и в результатет такого обучения спинтронная нейросать может корректно распознавать простые черно-белые паттерны размером 3×3 пикселя.

Ученые рассчитывают, что проведенный эксперимент откроет новые горизонты в технологиях искусственного интеллекта: компактный размер нового устройства и возможность быстрой обработки данных при сверхнизких энергозатратах сможет обеспечить его использование в для распознавания изображений, в носимых устройствах и роботах. Для этого, конечно, понадобится разработать способ масштабирования простого устройства-прототипа до сложности, соответствующей современной электронике.

N+1