Etapa para o entendimento: a memória da trilha magnética pode funcionar como neurônios no cérebro humano

Os algoritmos de aprendizado de máquina e inteligência artificial requerem sua própria base de processadores, não processadores de uso geral. Isso é necessário para otimizar a operação de redes neurais ao processar matrizes de dados. Idealmente, é necessário criar um análogo de silício do cérebro humano. No entanto, o silício não atinge seus objetivos. A solução pode ser eletrônica com base na interação de campos magnéticos.

Um grupo de pesquisadores da Cochrell School of Engineering da Universidade do Texas em Austin realizou uma série de experimentos sobre o uso de circuitos magnéticos para processamento de big data com eficiência energética. Um artigo sobre o trabalho foi publicado na revista IOP Nanotechnology (acesso pago). Na prática, os cientistas estavam convencidos da interação mútua e produtiva de um par de transições magnéticas na forma das chamadas paredes de domínio (transições de magnetização de fronteira).
As interações magnéticas entre dois elementos lógicos adjacentes e cada parede de domínio dentro da estrutura da memória da trilha – são lógicas 0 ou 1, levam ao enfraquecimento de um deles. Para circuitos que usam lógica clássica de silício, isso exigiria circuitos corretivos especiais que transmitem a reação de um elemento a outro. A interação magnética, como se viu, suprime automaticamente o sinal do elemento vizinho sem nenhum circuito adicional através do “espaço e tempo”. De fato, de graça.

Como funciona a memória rastreada da IBM

Os neurônios no cérebro humano agem de maneira semelhante. O neurônio mais rapidamente excitado inibe a atividade de outros neurônios na camada em que está localizado. Não há necessidade de explicar mais uma vez que, após milhões de anos de evolução, o cérebro executa suas tarefas da maneira mais eficiente. O mesmo acontece com domínios magnéticos. Se, em vez de lógica complexa de silício com uma massa de feedbacks, criarmos matrizes de paredes de domínio com influência mútua com uma implementação mais simples de conexões, isso reduzirá significativamente o custo de energia do processamento de dados.

No campo do aprendizado de máquina, o efeito descrito acima é chamado de frenagem lateral e é implementado usando lógica complexa. Os elementos magnéticos, como vemos, simplificam os circuitos para implementar os mesmos algoritmos. Pesquisadores da Universidade do Texas foram capazes de mostrar isso em um modelo de dois elementos magnéticos e derivaram um modelo matemático para uma matriz de 1000 elementos. No estágio seguinte, eles pretendem realizar experimentos com muitos elementos magnéticos.
.