knipperend technologie computerconcept

Efficiënt en flexibel edge computing

Fysieke opslagcomputing kan worden gebruikt om snelle verwerking uit te voeren voor kunstmatige intelligentie met een laag stroomverbruik.

Onderzoekers in Japan ontwerpen een afstembaar fysiek opslagapparaat op basis van diëlektrische relaxatie aan de elektrode-ionische vloeistofinterface.

In de nabije toekomst moet meer kunstmatige intelligentie worden verwerkt, dichter bij de gebruiker en aan de rand waar de gegevens worden verzameld, in plaats van op verre computerservers. Dit vereist een snelle gegevensverwerking met een laag stroomverbruik. Fysieke opslagcomputing is een aantrekkelijk platform voor dit doel, en nieuwe doorbraken van Japanse wetenschappers hebben het veel flexibeler en praktischer gemaakt.

Physical Storage Computing (PRC), dat afhankelijk is van de tijdelijke respons van fysieke systemen, is een aantrekkelijk raamwerk voor machinaal leren dat snelle verwerking van tijdreekssignalen met een laag vermogen kan uitvoeren. PRC-systemen hebben echter een slechte afstembaarheid, wat de signalen die ze aankunnen, beperkt. Onderzoekers in Japan presenteren ionische vloeistoffen nu als gemakkelijk afstembare fysieke opslagapparaten die kunnen worden geoptimaliseerd om signalen over een breed tijdsbereik te verwerken door simpelweg hun viscositeit te veranderen.

Kunstmatige intelligentie (AI) wordt snel alomtegenwoordig in de moderne samenleving en zal in de toekomst op grotere schaal worden geïmplementeerd. In toepassingen met sensoren en Internet of Things-apparaten is de standaard vaak edge AI, een technologie waarbij computing en analyse dichtbij de gebruiker worden uitgevoerd (waar de gegevens worden verzameld) in plaats van ver van gecentraliseerde servers. Dit komt omdat edge AI snelle gegevensverwerkingsmogelijkheden en lage stroomvereisten heeft, wat bijzonder wenselijke kenmerken zijn voor het in realtime verwerken van tijdreeksgegevens.

Tijdschalen van signalen die vaak worden gegenereerd in leefomgevingen

Een tijdschaal van signalen die vaak worden gegenereerd in leefomgevingen. De responstijd van het ionische vloeibare PRC-systeem dat door het onderzoeksteam is ontwikkeld, kan worden afgestemd om te worden geoptimaliseerd voor deze real-world signaalverwerking. Krediet: Kentaro Kinoshita van TUS

In dit opzicht kan Physical Storage Computing (PRC), dat afhankelijk is van de temporele dynamiek van fysieke systemen, het rekenparadigma van edge AI aanzienlijk vereenvoudigen. Dit komt omdat met behulp van PRC analoge signalen aan de rand kunnen worden opgeslagen en verwerkt, waarmee AI efficiënt kan werken en analyseren. De dynamiek van een robuust PRC-systeem is echter niet gemakkelijk af te stemmen en wordt meestal gekenmerkt door een specifieke tijdschaal die te snel is voor de meeste fysieke signalen. Deze inconsistentie in de tijdschaal en lage beheersbaarheid maken PRC grotendeels ongeschikt voor realtime signaalverwerking in leefomgevingen.

Om dit probleem op te lossen, suggereerde een Japans onderzoeksteam, waaraan werd deelgenomen door professor Kinoshita Kinoshita, promovendus Sangkyu Koh, Ph.D. Science and Technology), in een nieuwe studie die in het tijdschrift werd gepubliceerd. wetenschappelijk rapport, in plaats daarvan met behulp van een vloeibaar PRC-systeem. Professor Kinoshita legde uit: “Het vervangen van het bestaande vaste reservoir door een vloeistofreservoir zal leiden tot een AI-apparaat dat direct in realtime de tijdschaal van door de omgeving gegenereerde signalen zoals stemmen en trillingen kan leren.” “Ionische vloeistoffen zijn stabiele gesmolten zouten die zijn samengesteld uit volledig vrij rondlopende ladingen. Diëlektrische relaxatie in ionische vloeistoffen of de manier waarop ladingen zich herschikken als reactie op elektrische signalen zou kunnen worden gebruikt als reservoirs en veel potentieel hebben voor edge AI Physical Computing.”

Op ionische vloeistof gebaseerde opslagcomputing

De respons van het ionische vloeibare PRC-systeem kan worden afgestemd om te optimaliseren voor een breed scala aan signaalverwerking door de viscositeit te wijzigen door de kationische zijketenlengte af te stemmen. Krediet: Kentaro Kinoshita van TUS

In hun onderzoek ontwierp het team een ​​PRC-systeem met behulp van een ionische vloeistof (IL) van het organische zout 1-alkyl-3-methylimidazolium bis (trifluormethaansulfonyl) imide.[Rmim+] [TFSI] R = ethyl (e), butyl (b), hexyl (h) en octyl (o), waarbij de kationische groep (positief geladen ion) gemakkelijk kan variëren afhankelijk van de lengte van de geselecteerde alkylketen. Ze fabriceerden een gouden spleetelektrode en vulden de spleet met IL. “We ontdekten dat de tijdschaal van het reservoir inherent complex is, maar direct kan worden gecontroleerd door de viscositeit van de IL, die afhangt van de lengte van de kationische alkylketen. Het veranderen van de alkylgroep van het organische zout is gemakkelijk te doen en voor het bereik van de signaallevensduur. Het biedt een controleerbaar en ontwerpbaar systeem dat in de toekomst een breed scala aan computertoepassingen mogelijk maakt”, zegt professor Kinoshita. Door de alkylketenlengte af te stemmen tussen 2 en 8 eenheden, bereiken de onderzoekers karakteristieke responstijden in het bereik van 1 – 20 µs bereikt, en langere alkylzijketens stemden de prestaties van het apparaat af, wat leidde tot langere responstijden en afstembare AI-leerprestaties.

De afstembaarheid van het systeem werd aangetoond met behulp van een AI-beeldidentificatietaak. AI leverde als invoer een handgeschreven afbeelding weergegeven door een rechthoekige pulsspanning van 1 µs breed. Door de lengte van de zijketen te vergroten, bracht het team de transiënte kinetiek dichter bij het doelsignaal en verbeterde het onderscheidingspercentage voor langere ketenlengtes. De reden wordt vergeleken met: [emim+] [TFSI]De stroom werd ontspannen tot een waarde van ongeveer 1 µs, en hoe langer de zijketen IL en hoe langer de relaxatietijd, hoe beter de registratie van de tijdreeksgegevens werd bijgehouden, wat de identificatie verbeterde.[{” attribute=””>accuracy. When the longest sidechain of 8 units was used, the discrimination rate reached a peak value of 90.2%.

Input Signal Conversion Through Ionic Liquid Based PRC System

Input signal conversion through the ionic liquid-based PRC system. The reservoir output in the form of current response (top and middle) to an input voltage pulse signal (bottom) are shown. If the current decay (dielectric relaxation) is too fast/slow, it reaches its saturation value before the next signal input and no history of the previous signal is retained (middle image). Whereas, if the current response attenuates with a relaxation time that is properly matched with the time scales of the input pulse, the history of the previous input signal is retained (top image). Credit: Kentaro Kinoshita from TUS

These findings are encouraging as they clearly show that the proposed PRC system based on the dielectric relaxation at an electrode-ionic liquid interface can be suitably tuned according to the input signals by simply changing the IL’s viscosity. This could pave the way for edge AI devices that can accurately learn the various signals produced in the living environment in real time.

Computing has never been more flexible!

Reference: “Reservoir computing with dielectric relaxation at an electrode–ionic liquid interface” by Sang-Gyu Koh, Hisashi Shima, Yasuhisa Naitoh, Hiroyuki Akinaga and Kentaro Kinoshita, 28 April 2022, Scientific Reports.
DOI: 10.1038/s41598-022-10152-9

Kinoshita Kentaro is a Professor at the Department of Applied Physics at Tokyo University of Science, Japan. His area of interest is device physics, with a focus on memory devices, AI devices, and functional materials. He has published 105 papers with over 1600 citations to his credit and holds a patent to his name.

This study was partly supported by JSPS KAKENHI Grant Number JP20J12046.

Tokyo University of Science (TUS) is a well-known and respected university, and the largest science-specialized private research university in Japan, with four campuses in central Tokyo and its suburbs and in Hokkaido. Established in 1881, the university has continually contributed to Japan’s development in science through inculcating the love for science in researchers, technicians, and educators.

Leave a Comment

Your email address will not be published.