La computación de reservorios físicos PRC, que se basa en la respuesta transitoria de los sistemas físicos, es un marco de aprendizaje automático atractivo que puede realizar un procesamiento de alta velocidad de señales de series temporales a baja potencia. Sin embargo, los sistemas PRC tienen una capacidad de ajuste baja, lo que limitalas señales que puede procesar Ahora, los investigadores de Japón presentan líquidos iónicos como un dispositivo de depósito físico fácilmente sintonizable que puede optimizarse para procesar señales en una amplia gama de escalas de tiempo simplemente cambiando su viscosidad.
La inteligencia artificial IA se está volviendo omnipresente rápidamente en la sociedad moderna y contará con una implementación más amplia en los próximos años. En aplicaciones que involucran sensores y dispositivos de Internet de las cosas, la norma suele ser la IA de borde, una tecnología en la que ella computación y los análisis se realizan cerca del usuario donde se recopilan los datos y no muy lejos en un servidor centralizado.Esto se debe a que la IA perimetral tiene bajos requisitos de energía, así como capacidades de procesamiento de datos de alta velocidad, características que son particularmente deseables enprocesamiento de datos de series temporales en tiempo real.
En este sentido, la computación de reservorios físicos PRC, que se basa en la dinámica transitoria de los sistemas físicos, puede simplificar en gran medida el paradigma informático de la IA perimetral. Esto se debe a que la PRC se puede usar para almacenar y procesar señales analógicas en esas IA perimetrales.puede trabajar y analizar de manera eficiente. Sin embargo, la dinámica de los sistemas PRC sólidos se caracteriza por escalas de tiempo específicas que no se pueden ajustar fácilmente y, por lo general, son demasiado rápidas para la mayoría de las señales físicas. Este desajuste en las escalas de tiempo y su bajo control hacen que el PRC sea en gran medida inadecuado para latiempo de procesamiento de señales en entornos vivos.
Para abordar este problema, un equipo de investigación de Japón en el que participaron el profesor Kentaro Kinoshita y Sang-Gyu Koh, estudiante de doctorado de la Universidad de Ciencias de Tokio, y los investigadores principales Dr. Hiroyuki Akinaga, Dr. Hisashi Shima y Dr. YasuhisaNaitoh, del Instituto Nacional de Ciencia y Tecnología Industriales Avanzadas, propuso, en un nuevo estudio publicado en Scientific Reports, el uso de sistemas PRC líquidos en su lugar: "Reemplazar los depósitos sólidos convencionales por líquidos debería conducir a dispositivos de IA que puedan aprender directamente en elescalas de tiempo de señales generadas ambientalmente, como voz y vibraciones, en tiempo real", explica el profesor Kinoshita. "Los líquidos iónicos son sales fundidas estables que están completamente compuestas de cargas eléctricas que se desplazan libremente. La relajación dieléctrica del líquido iónico,o cómo sus cargas se reorganizan como respuesta a una señal eléctrica, podría usarse como depósito y es muy prometedor para la computación física de IA de borde".
En su estudio, el equipo diseñó un sistema PRC con un líquido iónico IL de una sal orgánica, 1-alquil-3-metilimidazolio bistrifluorometano sulfonilimida [Rmim +] [TFSI-] R = etilo e, butilo b, hexilo h y octilo o, cuya parte catiónica el ion cargado positivamente se puede variar fácilmente con la longitud de una cadena de alquilo elegida.Fabricaron electrodos de brecha de oro y llenaron las brechas con el IL."Descubrimos que la escala de tiempo del reservorio, aunque es de naturaleza compleja, puede controlarse directamente por la viscosidad de la IL, que depende de la longitud de la cadena de alquilo catiónico. Cambiar el grupo alquilo en sales orgánicas es fácil de hacer ynos presenta un sistema controlable y diseñable para una variedad de vidas de señal, lo que permite una amplia gama de aplicaciones informáticas en el futuro", dice el profesor Kinoshita.Al ajustar la longitud de la cadena de alquilo entre 2 y 8 unidades, los investigadores lograron tiempos de respuesta característicos que oscilaron entre 1 y 20 ms, con cadenas laterales de alquilo más largas que conducen a tiempos de respuesta más largos y un rendimiento de aprendizaje de IA ajustable de los dispositivos.
La capacidad de ajuste del sistema se demostró mediante una tarea de identificación de imágenes de IA. A la IA se le presentó una imagen escrita a mano como entrada, que estaba representada por voltajes de pulso rectangulares de 1 ms de ancho. Al aumentar la longitud de la cadena lateral, el equipo hizo el transitoriola dinámica se aproxima a la de la señal objetivo, y la tasa de discriminación mejora para longitudes de cadena más altas. Esto se debe a que, en comparación con [emim] +] [TFSI-], en el que la corriente se relajó a su valor en aproximadamente 1 ms, el IL con una cadena lateral más larga y, a su vez, un tiempo de relajación más largo retuvo mejor el historial de los datos de la serie temporal, mejorando la precisión de identificación. Cuando la cadena lateral más largade 8 unidades, la tasa de discriminación alcanzó un valor máximo de 90,2%.
Estos hallazgos son alentadores, ya que muestran claramente que el sistema PRC propuesto basado en la relajación dieléctrica en una interfaz de electrodo-líquido iónico puede ajustarse adecuadamente de acuerdo con las señales de entrada simplemente cambiando la viscosidad del IL. Esto podría allanar el caminoDispositivos de IA que pueden aprender con precisión las diversas señales producidas en el entorno de vida en tiempo real.
Fuente de la historia:
Materiales proporcionado por Universidad de Ciencias de Tokio. Nota: el contenido se puede editar por estilo y longitud.
referencia de diario:
Citar esta página:
Visita Nuevo científico for more global science stories >>>