Maschinelles Lernen nutzen, um Nanosysteme energieeffizienter zu machen

Etwas für nichts zu bekommen, funktioniert in der Physik nicht. Aber es stellt sich heraus, dass eine verbesserte Energieeffizienz für komplexe Systeme wie Rechenzentren möglich sein könnte, wenn man wie ein strategischer Spieler denkt und etwas Hilfe von einem Dämon erhält.

In Computersimulationen nutzte Stephen Whitelam vom Lawrence Berkeley National Laboratory (Berkeley Lab) des Energieministeriums neuronale Netze (eine Art maschinelles Lernmodell, das menschliche Gehirnprozesse nachahmt), um Nanosysteme, bei denen es sich um winzige Maschinen von der Größe von Molekülen handelt, zu trainieren Arbeiten Sie energieeffizienter.

Darüber hinaus zeigten die Simulationen, dass erlernte Protokolle den Systemen Wärme entziehen können, indem sie sie ständig messen, um die energieeffizientesten Abläufe zu finden.

„Wir können Energie aus dem System gewinnen oder Arbeit im System speichern“, sagte Whitelam.

Eine Erkenntnis, die sich beispielsweise beim Betrieb sehr großer Systeme wie Computer-Rechenzentren als wertvoll erweisen könnte. Computerbänke produzieren enorme Mengen an Wärme, die – unter Einsatz von noch mehr Energie – abgeführt werden müssen, um Schäden an der empfindlichen Elektronik zu verhindern.

Whitelam führte die Forschung in der Molecular Foundry durch, einer Benutzereinrichtung des DOE Office of Science im Berkeley Lab. Seine Arbeit wird in einem Artikel beschrieben, der in veröffentlicht wurde Körperliche Untersuchung X.

Inspiration von Pac Man und Maxwells Dämon

Auf die Frage nach dem Ursprung seiner Ideen sagte Whitelam: „Die Leute hatten Techniken aus der Literatur zum maschinellen Lernen genutzt, um Atari-Videospiele zu spielen, die von Natur aus für die Materialwissenschaft geeignet zu sein schienen.“

In einem Videospiel wie Pac Man, erklärte er, bestehe das Ziel des maschinellen Lernens darin, einen bestimmten Zeitpunkt für die Ausführung einer Aktion – oben, unten, links, rechts usw. – auszuwählen. Im Laufe der Zeit „lernen“ die maschinellen Lernalgorithmen, welche Schritte und wann sie am besten sind, um hohe Punktzahlen zu erzielen. Die gleichen Algorithmen können für nanoskalige Systeme funktionieren.

Whitelams Simulationen sind auch so etwas wie eine Antwort auf ein altes Gedankenexperiment in der Physik namens Maxwells Dämon. Kurz gesagt, im Jahr 1867 schlug der Physiker James Clerk Maxwell eine mit Gas gefüllte Kiste vor, in deren Mitte sich ein masseloser „Dämon“ befinden würde, der eine Falltür kontrolliert. Der Dämon öffnete die Tür, damit schnellere Gasmoleküle auf eine Seite der Box und langsamere Moleküle auf die gegenüberliegende Seite gelangen konnten.

Wenn alle Moleküle so getrennt wären, wäre die „langsame“ Seite der Box schließlich kalt und die „schnelle“ Seite heiß, entsprechend der Energie der Moleküle.

Überprüfung des Kühlschranks

Das System würde eine Wärmekraftmaschine darstellen, sagte Whitelam. Wichtig ist jedoch, dass Maxwells Dämon nicht gegen die Gesetze der Thermodynamik verstößt – etwas umsonst zu bekommen –, denn Information ist gleichbedeutend mit Energie. Die Messung der Position und Geschwindigkeit der Moleküle in der Box kostet mehr Energie als die daraus resultierende Wärmekraftmaschine.

Und Wärmekraftmaschinen können nützliche Dinge sein. Kühlschränke seien eine gute Analogie, sagte Whitelam. Während das System läuft, bleiben die darin enthaltenen Lebensmittel kalt – das gewünschte Ergebnis –, auch wenn die Rückseite des Kühlschranks durch die Arbeit des Kühlschrankmotors heiß wird.

In Whitelams Simulationen kann man sich das maschinelle Lernprotokoll als den Dämon vorstellen. Im Optimierungsprozess wandelt es Informationen aus dem modellierten System in Energie als Wärme um.

Den Dämon auf einem nanoskaligen System entfesseln

In einer Simulation optimierte Whitelam den Prozess, eine nanoskalige Perle durch Wasser zu ziehen. Er modellierte eine sogenannte optische Falle, in der Laserstrahlen, die wie Lichtpinzetten wirken, eine Perle festhalten und bewegen können.

„Das Motto lautet: Gehen Sie von hier nach dort und machen Sie so wenig Arbeit wie möglich am System“, sagte Whitelam. Die Perle wackelt unter natürlichen Schwankungen, die Brownsche Bewegung genannt werden, wenn Wassermoleküle sie bombardieren. Whitelam zeigte, dass die Bewegung der Perle im energieeffizientesten Moment erfolgen kann, wenn diese Schwankungen gemessen werden können.

„Hier zeigen wir, dass wir einem Dämon mit einem neuronalen Netzwerk beibringen können, etwas Ähnliches wie Maxwells Gedankenexperiment durchzuführen, jedoch mit einer optischen Falle“, sagte er.

Kühlende Computer

Whitelam erweiterte die Idee auf Mikroelektronik und Informatik. Er nutzte das Protokoll des maschinellen Lernens, um das Umdrehen des Zustands eines nanomagnetischen Bits zwischen 0 und 1 zu simulieren, was eine grundlegende Operation zum Löschen/Kopieren von Informationen in der Informatik darstellt.

„Mach das immer wieder. Irgendwann wird dein Dämon ‚lernen‘, das Gebiss umzudrehen, um Wärme aus der Umgebung zu absorbieren“, sagte er. Er kommt auf die Kühlschrank-Analogie zurück. „Sie könnten einen Computer bauen, der sich während des Betriebs abkühlt und die Wärme an einen anderen Ort in Ihrem Rechenzentrum leitet.“

Whitelam sagte, die Simulationen seien wie ein Prüfstand für das Verständnis von Konzepten und Ideen. „Und hier zeigt die Idee lediglich, dass man diese Protokolle durchführen kann, entweder mit geringem Energieaufwand oder mit Energieaufnahme auf Kosten eines anderen Weges, und zwar mithilfe von Messungen, die in einem realen Experiment angewendet werden könnten“, sagte er.