Energiezuinige dataverwerking door magneten te laten leren

Datacenters gebruiken wereldwijd steeds meer energie. Om die reden is er veel vraag naar nieuwe technologieën die energiezuinige computers mogelijk maken. Dat dat ook zou kunnen door chips te maken die geïnspireerd zijn op de werking van het menselijk brein, laten natuurkundigen van de Radboud Universiteit zien in een nieuwe studie. Het wetenschappelijk tijdschrift Applied Physics Letters publiceerde het afgelopen week.

Het menselijk brein gebruikt vele malen minder energie dan onze huidige computers om dezelfde hoeveelheid informatie te verwerken. Dat komt doordat ons brein informatie parallel kan verwerken, maar ook op kan slaan door verbindingen sterker en zwakker te maken.

‘We wilden kijken of we deze eigenschap van plasticiteit ook konden inbouwen in een kunstmatig systeem, in combinatie met de al langer bekende snelle en zuinige techniek waarmee we magnetisme met licht controleren’, aldus Johan Mentink en Theo Rasing, beiden natuurkundige aan de Radboud Universiteit. ‘Hiermee zal een energiezuinige en slimme computer uiteindelijk mogelijk moeten worden.’

Analoog in plaats van digitaal
Het is al langer bekend dat snelle en energiezuinige dataopslag mogelijk is met magnetisme. Door korte lichtpulsjes op een magnetisch materiaal af te vuren worden magnetische spins in het materiaal omgepoold, waardoor een bit van een 0 in een 1 verandert. ‘Maar om deze magneten zich te laten gedragen als synapsen, zoals in het brein, waarmee niet alleen data opgeslagen maar ook nieuwe informatie verwerkt kan worden, moeten ze continu kunnen veranderen’, aldus Johan Mentink.
‘

We hebben de magneten deze eigenschap kunnen geven door ervoor te zorgen dat de magnetische toestand in het materiaal geleidelijk verandert onder invloed van licht, in plaats van een volledige ompoling in één keer. Je kunt het vergelijken met een analoge klok, die geleidelijk gaat, in plaats van een digitale.’
Met magnetisme en licht kunnen kunstmatige synapsen gebouwd worden die in staat zijn te leren, door de geleidelijke aanpassing van de magnetisatie. Credit: Ashim Chakravarty.

Magneten met leergedrag
Dit nieuwe plastische kenmerk maakte de weg vrij voor de onderzoekers om een klein kunstmatig neuraal netwerk te bouwen, waarbij twee losse gebiedjes in de magneet – twee kunstmatige synapsen – aan elkaar gekoppeld waren. Rasing: ‘We hebben laten zien dat het mogelijk is om een kunstmatig neuraal netwerk te bouwen met magneten dat, naast dat het data kan opslaan, ook echt in staat is patronen te classificeren en leergedrag te vertonen.’

De onderzoekers willen nu gaan kijken of ze grotere kunstmatige neurale netwerken kunnen bouwen gebaseerd op deze aanpak. ‘Op dit moment geeft een externe computer het neurale netwerk nog de benodigde feedback waarmee het netwerk kan leren. Op de langere termijn hopen we dat we een natuurkundig principe kunnen vinden waarmee ook de feedback ingebouwd kan worden in het materiaal zelf. Dit zou een grote impact hebben op de manier waarop kunstmatige neurale netwerken gebruikt kunnen worden in de maatschappij’, zegt Mentink.