Te mają spory potencjał w zakresie tworzenia układów obliczeniowych czerpiących inspirację z działania ludzkiego mózgu, przy jednoczesnym niskim zapotrzebowaniu energetycznym.
Czytaj też: Sztuczne neurony działają. Są niemal identyczne jak te, które występują w naszych mózgach
O ile sieci neuronowe naśladują funkcjonowanie neuronów, które przekazują informacje w mózgu, co jest bardzo przydatne, tak problemy pojawiają się, gdy w grę wchodzi kwestia zużycia energii. Krótko mówiąc: sieci neuronowe są wysoce energochłonne, szczególnie, gdy działają na konwencjonalnych układach krzemowych. Alternatywę mogłyby stanowić tzw. układy neuromorficzne, naśladujące pracę naszego mózgu. Z takiego właśnie założenia wyszli autorzy publikacji zamieszczonej na łamach Science Advances.
Eksperymentalnie demonstrujemy neuromorficzne obliczenia wykorzystujące nieliniową odpowiedź pochodzącą z indukowanej polem magnetycznym dynamiki skyrmionów. Zaprojektowaliśmy proste urządzenie neuromorficzne oparte na skyrmionach i odnieśliśmy sukces w rozpoznawaniu cyfr pisma ręcznego z dokładnością do 94,7% oraz w rozpoznawaniu kształtów fal. czytamy w ich pracy
Skyrmiony to niewielkie wiry odzwierciedlające ekspozycję na pole magnetyczne
Jedną z podstaw sukcesu były wspomniane skyrmiony, czyli niewielkie wiry magnetyczne. Ich struktura i zachowanie odzwierciedlają wcześniejszą ekspozycję na pole magnetyczne, co jest w tym przypadku szczególnie przydatne. Są przy tym wysoce oszczędne, ponieważ cechują się niskim zapotrzebowaniem na energię. W czasie swoich prac naukowcy zakodowali informacje w polu magnetycznym, które po przyłożeniu do skyrmionów generuje napięcie. Jest ono zależne od liczby i wielkości skyrmionów.
Czytaj też: Nowy Bing po polsku – pierwsze wrażenia. Sztuczna inteligencja kazała mi ruszyć tyłek i ogarnąć swoje życie
Do przeszkolenia swojego urządzenia członkowie zespołu użyli ponad 13 000 obrazów ukazujących ręcznie pisane cyfry od 0 do 9. Przekształcili te zdjęcia w magnetyczne sygnały wejściowe i ustawili model tak, aby sygnały napięcia wyjściowego jak najtrafniej reprezentowały faktyczną cyfrę. W czasie testów użyto kolejnych około 5000 obrazów, a ostateczny rezultat jeśli chodzi o dokładność rozpoznawania cyfr wyniósł 94,7%. Dzięki dalszemu rozwojowi projektu możliwe powinno być dostarczanie urządzeń zdolnych do rozpoznawania mowy czy śledzenia ruchu.