Líquido Iônico

Jun 01, 2023

Por Universidade de Ciências de Tóquio, 1º de junho de 2022

A computação de reservatório físico pode ser usada para realizar processamento de alta velocidade para inteligência artificial com baixo consumo de energia.

Pesquisadores do Japão projetam um dispositivo de reservatório físico sintonizável baseado em relaxamento dielétrico em uma interface eletrodo-líquido iônico.

Num futuro próximo, cada vez mais processamento de inteligência artificial terá de ocorrer na periferia – perto do utilizador e onde os dados são recolhidos, em vez de num servidor informático distante. Isso exigirá processamento de dados em alta velocidade com baixo consumo de energia. A computação de reservatórios físicos é uma plataforma atraente para esse propósito, e uma nova descoberta dos cientistas no Japão acaba de tornar isso muito mais flexível e prático.

Physical reservoir computing (PRC), which relies on the transient response of physical systems, is an attractive machine learningMachine learning is a subset of artificial intelligence (AI) that deals with the development of algorithms and statistical models that enable computers to learn from data and make predictions or decisions without being explicitly programmed to do so. Machine learning is used to identify patterns in data, classify data into different categories, or make predictions about future events. It can be categorized into three main types of learning: supervised, unsupervised and reinforcement learning." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"> estrutura de aprendizado de máquina que pode realizar processamento em alta velocidade de sinais de série temporal com baixa potência. No entanto, os sistemas PRC têm baixa sintonização, limitando os sinais que podem processar. Agora, pesquisadores do Japão apresentam líquidos iônicos como um dispositivo de reservatório físico facilmente ajustável que pode ser otimizado para processar sinais em uma ampla faixa de escalas de tempo, simplesmente alterando sua viscosidade.

A Inteligência Artificial (IA) está a tornar-se rapidamente omnipresente na sociedade moderna e contará com uma implementação mais ampla nos próximos anos. Em aplicações que envolvem sensores e dispositivos de Internet das Coisas, a norma é muitas vezes a IA de ponta, uma tecnologia em que a computação e as análises são realizadas perto do utilizador (onde os dados são recolhidos) e não muito longe num servidor centralizado. Isso ocorre porque a IA de ponta tem baixos requisitos de energia, bem como capacidades de processamento de dados de alta velocidade, características que são particularmente desejáveis ​​no processamento de dados de séries temporais em tempo real.

Escala de tempo de sinais comumente produzidos em ambientes vivos. O tempo de resposta do sistema PRC de líquido iônico desenvolvido pela equipe pode ser ajustado para ser otimizado para o processamento de tais sinais do mundo real. Crédito: Kentaro Kinoshita da TUS

A este respeito, a computação de reservatório físico (PRC), que se baseia na dinâmica transitória dos sistemas físicos, pode simplificar enormemente o paradigma computacional da IA ​​de ponta. Isso ocorre porque o PRC pode ser usado para armazenar e processar sinais analógicos naquelas bordas com os quais a IA pode trabalhar e analisar com eficiência. No entanto, a dinâmica de sistemas PRC sólidos é caracterizada por escalas de tempo específicas que não são facilmente sintonizáveis ​​e geralmente são muito rápidas para a maioria dos sinais físicos. Essa incompatibilidade nas escalas de tempo e sua baixa controlabilidade tornam o PRC amplamente inadequado para o processamento de sinais em tempo real em ambientes residenciais.

To address this issue, a research team from Japan involving Professor Kentaro Kinoshita and Sang-Gyu Koh, a PhD student, from the Tokyo University of Science, and senior researchers Dr. Hiroyuki Akinaga, Dr. Hisashi Shima, and Dr. Yasuhisa Naitoh from the National Institute of Advanced Industrial Science and Technology, proposed, in a new study published in the journal Scientific ReportsEstablished in 2011, <em>Scientific Report</em>s is a peer-reviewed open-access scientific mega journal published by Nature Portfolio, covering all areas of the natural sciences. In September 2016, it became the largest journal in the world by number of articles, overtaking <em>PLOS ON</em>E." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"Scientific Reports, the use of liquid PRC systems instead. “Replacing conventional solid reservoirs with liquid ones should lead to AI devices that can directly learn at the time scales of environmentally generated signals, such as voice and vibrations, in real time,” explains Prof. Kinoshita. “Ionic liquids are stable molten salts that are completely made up of free-roaming electrical charges. The dielectric relaxation of the ionic liquid, or how its charges rearrange as a response to an electric signal, could be used as a reservoir and is holds much promise for edge AI physical computing.”/p>

The tunability of the system was demonstrated using an AI image identification task. The AI was presented a handwritten image as the input, which was represented by 1 µs width rectangular pulse voltages. By increasing the side chain length, the team made the transient dynamics approach that of the target signal, with the discrimination rate improving for higher chain lengths. This is because, compared to [emim+] [TFSI–], in which the current relaxed to its value in about 1 µs, the IL with a longer side chain and, in turn, longer relaxation time retained the history of the time series data better, improving identification accuracyHow close the measured value conforms to the correct value." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"accuracy. When the longest sidechain of 8 units was used, the discrimination rate reached a peak value of 90.2%./p>