Liquido ionico

Sep 30, 2023

Di Tokyo University of Science1 giugno 2022

Il calcolo del serbatoio fisico può essere utilizzato per eseguire elaborazioni ad alta velocità per l'intelligenza artificiale con un basso consumo energetico.

Alcuni ricercatori giapponesi progettano un dispositivo di serbatoio fisico sintonizzabile basato sul rilassamento dielettrico su un'interfaccia elettrodo-liquido ionico.

Nel prossimo futuro, sempre più l’elaborazione dell’intelligenza artificiale dovrà avvenire ai margini, cioè vicino all’utente e dove i dati vengono raccolti, piuttosto che su un server distante. Ciò richiederà un'elaborazione dei dati ad alta velocità con un basso consumo energetico. Il calcolo dei serbatoi fisici è una piattaforma interessante per questo scopo, e una nuova scoperta da parte di scienziati giapponesi l’ha resa molto più flessibile e pratica.

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"}]"> framework di apprendimento automatico in grado di eseguire l'elaborazione ad alta velocità di segnali di serie temporali a bassa potenza. Tuttavia, i sistemi PRC hanno una bassa sintonizzabilità, limitando i segnali che possono elaborare. Ora, i ricercatori giapponesi presentano i liquidi ionici come un dispositivo di serbatoio fisico facilmente sintonizzabile che può essere ottimizzato per elaborare i segnali su un’ampia gamma di scale temporali semplicemente modificandone la viscosità.

L’intelligenza artificiale (AI) sta rapidamente diventando onnipresente nella società moderna e sarà caratterizzata da un’implementazione più ampia nei prossimi anni. Nelle applicazioni che coinvolgono sensori e dispositivi dell’Internet delle cose, la norma è spesso l’intelligenza artificiale all’avanguardia, una tecnologia in cui il calcolo e le analisi vengono eseguiti vicino all’utente (dove vengono raccolti i dati) e non lontano su un server centralizzato. Questo perché l’intelligenza artificiale edge ha requisiti di basso consumo energetico e capacità di elaborazione dei dati ad alta velocità, caratteristiche particolarmente desiderabili nell’elaborazione di dati di serie temporali in tempo reale.

Scala temporale dei segnali comunemente prodotti negli ambienti di vita. Il tempo di risposta del sistema PRC liquido ionico sviluppato dal team può essere regolato per essere ottimizzato per l'elaborazione di tali segnali del mondo reale. Credito: Kentaro Kinoshita del TUS

A questo proposito, il Physical Reservoir Computing (PRC), che si basa sulle dinamiche transitorie dei sistemi fisici, può semplificare notevolmente il paradigma informatico dell’intelligenza artificiale edge. Questo perché la PRC può essere utilizzata per archiviare ed elaborare segnali analogici in quei dispositivi con cui l'intelligenza artificiale può lavorare e analizzare in modo efficiente. Tuttavia, la dinamica dei sistemi PRC solidi è caratterizzata da scale temporali specifiche che non sono facilmente sintonizzabili e di solito sono troppo veloci per la maggior parte dei segnali fisici. Questa discrepanza nelle scale temporali e la loro scarsa controllabilità rendono la PRC in gran parte inadatta all'elaborazione in tempo reale dei segnali negli ambienti di vita.

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>