Computing auf Basis ionischer Flüssigkeiten Japanische Forscher finden einen Schlüssel zu effizientem Edge Computing

Von Ulrike Ostler

Das Physical Reservoir Computing (PRC) stützt sich auf die transiente Reaktion physikalischer Systeme. Das Rechenwerk könnte für Maschinelles Lernen (ML) attraktiv sein, da ein solches System Hochgeschwindigkeitsverarbeitung von Zeitreihensignalen bei geringem Stromverbrauch ermöglicht. Allerdings haben PRC-Systeme Probleme beim Abstimmen, was die Signale einschränkt, die sie verarbeiten können. Japanische Forscher können dieses lösen.

Anbieter zum Thema

Wie können KI-Systeme auch an der Edge noch effizient genug arbeiten? Japanische Wissenschaftler wollen den Schlüssel dazu gefunden haben.
Wie können KI-Systeme auch an der Edge noch effizient genug arbeiten? Japanische Wissenschaftler wollen den Schlüssel dazu gefunden haben.
(Bild: gemeinfrei: MasterTux / Pixabay )

„Computing war noch nie so flexibel!“ So schließt eine Information der Tokyo University of Science (TUS). Ein dortiges Forscherteam rund um Professor Kinoshita Kentaro hat ionische Flüssigkeiten als leicht abstimmbare physikalische Reservoirs vorgestellt, die durch einfache Änderung ihrer Viskosität brauchbarer werden für die Verarbeitung von Signalen in einem breiten Spektrum von Zeitskalen, Mit anderen Worten: Sie entwickeln ein abstimmbares physikalisches Reservoir, das auf der dielektrischen Relaxation an der Grenzfläche zwischen Elektroden und ionischen Flüssigkeiten basiert.

Ergänzendes zum Thema
Was ist Reservoir Computing?

[Quelle: Wikipedia] Reservoir Computing ist ein aus der Theorie der rekurrenten neuronalen Netze abgeleiteter Berechnungsrahmen, der Eingangssignale durch die Dynamik eines festen, nichtlinearen Systems, eines so genannten Reservoirs, in höherdimensionale Berechnungsräume abbildet. Nachdem das Eingangssignal in das Reservoir eingespeist wurde, das als 'Black Box' behandelt wird, wird ein einfacher Auslesemechanismus trainiert, um den Zustand des Reservoirs zu lesen und ihn auf die gewünschte Ausgabe abzubilden.

Der erste große Vorteil dieses Rahmens besteht darin, dass das Training nur in der Auslesephase durchgeführt wird, da die Dynamik des Reservoirs feststeht.

Der zweite Vorteil besteht darin, dass die Rechenleistung natürlich verfügbarer Systeme, sowohl klassischer als auch quantenmechanischer, genutzt werden kann, um die effektiven Rechenkosten zu senken.

Der Hintergrund: Künstliche Intelligenz (KI) wird schnell allgegenwärtig und wird in den kommenden Jahren breite Anwendung finden. Bei Einsätzen, die Sensoren und Internet-of-Things-Geräte einbeziehen, ist die Norm oft Edge AI: Die Berechnungen und Analysen werden in der Nähe des Nutzers (wo die Daten gesammelt werden) auf einem zentralen Server ausgeführt. Der Grund dafür ist, dass Edge-KI einen geringen Energiebedarf und eine hohe Datenverarbeitungsgeschwindigkeit aufweist, was insbesondere bei der Verarbeitung von Zeitreihendaten in Echtzeit wünschenswert ist.

Das Physical Reservoir Computing, das sich auf die instationäre Dynamik physikalischer Systeme stützt, kann das Computing-Paradigma der Edge-KI erheblich vereinfachen. Denn PRC kann dazu verwendet werden, analoge Signale zu speichern und zu verarbeiten, so dass Edge AI effizient damit arbeiten und sie analysieren kann.

Die Auflösung zu starrer Vorgaben

Das Problem: Die Dynamik fester PRC-Systeme ist jedoch durch bestimmte Zeitskalen gekennzeichnet, die schwer einstellbar und für die meisten physikalischen Signale zu schnell sind. Diese Diskrepanz der Zeitskalen und ihre geringe Steuerbarkeit machen PRC für die Echtzeitverarbeitung von Signalen in realen Umgebungen weitgehend ungeeignet.

Um dieses Problem zu lösen, hat das Forscherteam aus Professor Kinoshita und Sang-Gyu Koh, einem Doktoranden der Tokyo University of Science, sowie den leitenden Wissenschaftlern Hiroyuki Akinaga, Dr. Hisashi Shima und Dr. Yasuhisa Naitoh vom National Institute of Advanced Industrial Science and Technology in einer neuen, in Scientific Reports veröffentlichten Studie vorgeschlagen, stattdessen flüssige PRC-Systeme zu verwenden: „Der Ersatz herkömmlicher fester durch flüssige Reservoirs sollte zu KI-Geräten führen, die direkt und in Echtzeit auf den Zeitskalen der von der Umwelt erzeugten Signale, wie Stimmen und Vibrationen, lernen können", so Kinoshita.

„Ionische Flüssigkeiten sind stabile geschmolzene Salze, die vollständig aus frei beweglichen elektrischen Ladungen bestehen. Die dielektrische Relaxation der ionischen Flüssigkeit, das heißt die Art und Weise, wie sich ihre Ladungen als Reaktion auf ein elektrisches Signal neu anordnen, könnte als Reservoir genutzt werden und ist ein vielversprechender Ansatz für das Physical Computing im Bereich der künstlichen Intelligenz.“

Für die Chemiker

In ihrer Studie hat das Team ein PRC-System mit einer ionischen Flüssigkeit (IL) eines organischen Salzes entwickelt, 1-Alkyl-3-methylimidazolium-bis(trifluormethansulfonyl)imid ([Rmim+] [TFSI-] R = Ethyl (e), Butyl (b), Hexyl (h) und Octyl (o)), dessen kationischer Teil (das positiv geladene Ion) sich leicht mit der Länge einer gewählten Alkylkette variieren lässt. Sie haben zudem Goldelektroden hergestellt und die Lücken mit der IL gefüllt.

„Wir haben herausgefunden, dass die Zeitskala des Reservoirs, obwohl sie komplexer Natur ist, direkt durch die Viskosität der IL gesteuert werden kann, die von der Länge der kationischen Alkylkette abhängt. Die Änderung der Alkylgruppe in organischen Salzen ist einfach zu bewerkstelligen und bietet uns ein kontrollierbares, gestaltbares System für eine Reihe von Signallaufzeiten, das in Zukunft eine breite Palette von Computeranwendungen ermöglicht“, führt Professor Kinoshita aus. Die Anpassung der Alkylkettenlänge zwischen 2 und 8 Einheiten bewirkt charakteristische Reaktionszeiten zwischen 1 und 20 Sekunden. Und längere Alkylseitenketten führen zu längeren Reaktionszeiten und einer einstellbaren KI-Lernleistung der Geräte.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu RZ- und Server-Technik

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Längere Alkylseitenketten führen zu längeren Reaktionszeiten und einer einstellbaren KI-Lernleistung.
Längere Alkylseitenketten führen zu längeren Reaktionszeiten und einer einstellbaren KI-Lernleistung.
(Bild: Tokyo University of Science (TUS))

Die Funktionsfähigkeit beziehungsweise Abstimmbarkeit des Systems haben die Wissenschaftler anhand einer KI-Aufgabe zur Bilderkennung demonstriert. Der KI ist ein handgeschriebenes Bild als Eingabe präsentiert worden, das durch rechteckige Pulsspannungen von 1 s Breite dargestellt ist (siehe: Abbildung). Durch Vergrößerung der Seitenkettenlänge ist es möglich, dass sich die transiente Dynamik des Zielsignals angenähert hat, wobei sich die Unterscheidungsrate bei höheren Kettenlängen ebenfalls verbessert hat.

Der KI ist ein handgeschriebenes Bild als Eingabe präsentiert worden, das durch rechteckige Pulsspannungen von 1 s Breite dargestellt ist.
Der KI ist ein handgeschriebenes Bild als Eingabe präsentiert worden, das durch rechteckige Pulsspannungen von 1 s Breite dargestellt ist.
(Bild: Tokyo University of Science (TUS))

Dies liegt daran, dass im Vergleich zu [emim+] [TFSI-], bei dem sich der Strom in etwa 1 s auf seinen Wert entspannt, die IL mit einer längeren Seitenkette und damit einer längeren Entspannungszeit den Verlauf der Zeitreihendaten besser beibehält, was die Identifizierungsgenauigkeit verbessert. Bei Verwendung der längsten Seitenkette von 8 Einheiten erreicht die Unterscheidungsrate einen Spitzenwert von 90,2 Prozent.

Diese Ergebnisse sind ermutigend, da sie deutlich zeigen, dass das vorgeschlagene PRC-System, das auf der dielektrischen Relaxation an der Schnittstelle zwischen Elektrode und ionischer Flüssigkeit basiert, durch einfache Änderung der Viskosität der IL auf die Eingangssignale abgestimmt werden kann. Dies könnte den Weg für KI-Geräte ebnen, die in der Lage sind, die verschiedenen Signale, die in der lebenden Umgebung erzeugt werden, in Echtzeit zu lernen.

Artikelfiles und Artikellinks

(ID:48264760)