Das Drucken von Schaltkreisen auf seltene Nanomagnete verleiht der Computertechnik eine neue Wendung

Neue Forschungen zur künstlichen Erzeugung einer seltenen Form von Materie, die als Spinglas bekannt ist, könnten ein neues Paradigma in der künstlichen Intelligenz entfachen, indem sie ermöglichen, dass Algorithmen direkt als physische Hardware gedruckt werden. Die ungewöhnlichen Eigenschaften von Spinglas ermöglichen eine Form der KI, die Objekte aus Teilbildern ähnlich wie das Gehirn erkennen kann und neben anderen faszinierenden Fähigkeiten vielversprechend für Low-Power-Computing ist.

„Unsere Arbeit hat die erste experimentelle Realisierung eines künstlichen Spinglases erreicht, das aus Nanomagneten besteht, die so angeordnet sind, dass sie ein neuronales Netzwerk replizieren“, sagte Michael Saccone, Postdoktorand in theoretischer Physik am Los Alamos National Laboratory und Hauptautor des neuen Artikels in Naturphysik. „Unsere Arbeit legt die Grundlagen, die wir brauchen, um diese physikalischen Systeme praktisch zu nutzen.“

Spingläser sind eine Möglichkeit, mathematisch über die Materialstruktur nachzudenken. Die Möglichkeit, die Interaktion innerhalb dieser Systeme zum ersten Mal mithilfe der Elektronenstrahllithographie zu optimieren, macht es möglich, eine Vielzahl von Computerproblemen in Spin-Glass-Netzwerken darzustellen, sagte Saccone.

An der Schnittstelle von technischen Materialien und Berechnung sind Spin-Glas-Systeme eine Art ungeordnetes System von Nanomagneten, das aus zufälligen Wechselwirkungen und Konkurrenz zwischen zwei Arten magnetischer Ordnung im Material entsteht. Sie zeigen „Frustration“, was bedeutet, dass sie sich nicht in einer einheitlich geordneten Konfiguration niederlassen, wenn ihre Temperatur sinkt, und sie besitzen ausgeprägte thermodynamische und dynamische Eigenschaften, die für Computeranwendungen genutzt werden können.

„Theoretische Modelle, die Spingläser beschreiben, werden in großem Umfang in anderen komplexen Systemen verwendet, beispielsweise solchen, die Gehirnfunktionen, fehlerkorrigierende Codes oder Börsendynamiken beschreiben“, sagte Saccone. „Dieses breite Interesse an Spingläsern ist eine starke Motivation, ein künstliches Spinglas zu erzeugen.“

Das Forschungsteam kombinierte theoretische und experimentelle Arbeiten, um das künstliche Spinglas als Proof-of-Principle Hopfield neuronales Netzwerk herzustellen und zu beobachten, das das assoziative Gedächtnis mathematisch modelliert, um die Unordnung der künstlichen Spinsysteme zu steuern.

Spinglas- und Hopfield-Netzwerke haben sich symbiotisch entwickelt, ein Feld speist sich aus dem anderen. Assoziatives Gedächtnis, ob in einem Hopfield-Netz oder anderen Formen von neuronalen Netzen, verknüpft zwei oder mehr Gedächtnismuster, die sich auf ein Objekt beziehen. Wenn nur eine Erinnerung ausgelöst wird – beispielsweise indem ein Teilbild eines Gesichts als Eingabe empfangen wird – kann das Netzwerk das vollständige Gesicht abrufen. Im Gegensatz zu traditionelleren Algorithmen erfordert das assoziative Gedächtnis kein vollkommen identisches Szenario, um ein Gedächtnis zu identifizieren.

Die Speicher dieser Netze entsprechen Grundzuständen eines Spinsystems und werden weniger durch Rauschen gestört als andere neuronale Netze.

Die Forschung von Saccone und dem Team bestätigte, dass es sich bei dem Material um Spinglas handelte, ein Beweis, der es ihnen ermöglichen wird, die Eigenschaften des Systems und die Art und Weise, wie es Informationen verarbeitet, zu beschreiben. In Spinglas entwickelte KI-Algorithmen wären „unordentlicher“ als herkömmliche Algorithmen, sagte Saccone, aber auch flexibler für einige KI-Anwendungen.