Physical reservoir 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 lage afstembaarheid, waardoor de signalen die het kan verwerken, worden beperkt. Nu presenteren onderzoekers uit Japan ionische vloeistoffen als een gemakkelijk afstembaar fysiek reservoirapparaat dat kan worden geoptimaliseerd om signalen over een breed scala van tijdschalen te verwerken door simpelweg hun viscositeit te veranderen.
Kunstmatige intelligentie (AI) wordt snel alomtegenwoordig in de moderne samenleving en zal de komende jaren een bredere implementatie krijgen. In toepassingen met sensoren en internet-of-things-apparaten is de norm vaak edge AI, een technologie waarbij de berekeningen en analyses dicht bij de gebruiker worden uitgevoerd (waar de gegevens worden verzameld) en niet ver weg op een gecentraliseerde server. Dit komt omdat edge AI een laag stroomverbruik heeft en snelle gegevensverwerkingsmogelijkheden, eigenschappen die bijzonder wenselijk zijn bij het in realtime verwerken van tijdreeksgegevens.
In dit opzicht kan Physical Reservoir Computing (PRC), dat afhankelijk is van de tijdelijke dynamiek van fysieke systemen, het rekenparadigma van edge AI aanzienlijk vereenvoudigen. Dit komt omdat PRC kan worden gebruikt om analoge signalen op te slaan en te verwerken in die edge waar AI efficiënt mee kan werken en analyseren. De dynamiek van solide PRC-systemen wordt echter gekenmerkt door specifieke tijdschalen die niet gemakkelijk af te stemmen zijn en meestal te snel zijn voor de meeste fysieke signalen. Deze mismatch in tijdschalen en hun lage beheersbaarheid maken PRC grotendeels ongeschikt voor realtime verwerking van signalen in leefomgevingen.
Om dit probleem aan te pakken, heeft een onderzoeksteam uit Japan met professor Kentaro Kinoshita en Sang-Gyu Koh, een promovendus van de Tokyo University of Science, en senior onderzoekers Dr. Hiroyuki Akinaga, Dr. Hisashi Shima en Dr. Yasuhisa Naitoh van het National Institute of Advanced Industrial Science and Technology, stelde in een nieuwe studie gepubliceerd in Scientific Reports voor om in plaats daarvan vloeibare PRC-systemen te gebruiken. “Het vervangen van conventionele vaste reservoirs door vloeibare zou moeten leiden tot AI-apparaten die direct in realtime kunnen leren op de tijdschalen van door de omgeving gegenereerde signalen, zoals spraak en trillingen”, legt prof. Kinoshita uit. “Ionische vloeistoffen zijn stabiele gesmolten zouten die volledig zijn samengesteld uit vrij rondlopende elektrische ladingen. De diëlektrische relaxatie van de ionische vloeistof, of hoe de ladingen zich herschikken als reactie op een elektrisch signaal, zou als een reservoir kunnen worden gebruikt en bevat veel belofte voor edge AI fysiek computergebruik.”
In hun onderzoek ontwierp het team een PRC-systeem met een ionische vloeistof (IL) van een organisch zout, 1-alkyl-3-methylimidazolium bis(trifluormethaansulfonyl)imide ([Rmim+] [TFSI-] R = ethyl (e), butyl (b), hexyl (h) en octyl (o)), waarvan het kationische deel (het positief geladen ion) gemakkelijk kan worden gevarieerd met de lengte van een gekozen alkylketen. Ze fabriceerden gouden spleetelektroden en vulden de leemtes op met de IL. “We ontdekten dat de tijdschaal van het reservoir, hoewel complex van aard, direct kan worden gecontroleerd door de viscositeit van de IL, die afhangt van de lengte van de kationische alkylketen. Het veranderen van de alkylgroep in organische zouten is gemakkelijk te doen, en presenteert ons een bestuurbaar, ontwerpbaar systeem voor een reeks signaallevensduren, waardoor in de toekomst een breed scala aan computertoepassingen mogelijk is”, zegt prof. Kinoshita. Door de lengte van de alkylketen aan te passen tussen 2 en 8 eenheden, bereikten de onderzoekers karakteristieke responstijden die varieerden van 1 – 20 ms, waarbij langere alkylzijketens leidden tot langere responstijden en afstembare AI-leerprestaties van apparaten.
De afstembaarheid van het systeem werd aangetoond met behulp van een AI-beeldidentificatietaak. De AI kreeg een handgeschreven afbeelding als invoer, die werd weergegeven door rechthoekige pulsspanningen van 1 ms breed. Door de lengte van de zijketen te vergroten, liet het team de transiënte dynamiek die van het doelsignaal benaderen, waarbij de discriminatiesnelheid verbeterde voor grotere ketenlengtes. Dit komt omdat, vergeleken met [emim+] [TFSI-], waarin de stroom in ongeveer 1 ms tot zijn waarde ontspande, de IL met een langere zijketen en, op zijn beurt, langere relaxatietijd de geschiedenis van de tijdreeksgegevens behield beter, waardoor de nauwkeurigheid van de identificatie wordt verbeterd. Wanneer de langste zijketen van 8 eenheden werd gebruikt, bereikte het onderscheidingspercentage een piekwaarde van 90,2%.
Deze bevindingen zijn bemoedigend omdat ze duidelijk aantonen dat het voorgestelde PRC-systeem op basis van de diëlektrische relaxatie bij een elektrode-ionische vloeistof-interface op geschikte wijze kan worden afgestemd op de ingangssignalen door simpelweg de viscositeit van de IL te veranderen. Dit zou de weg kunnen banen voor edge AI-apparaten die de verschillende signalen die in de leefomgeving worden geproduceerd, in realtime nauwkeurig kunnen leren.
Verhaalbron:
Materialen geleverd door Tokyo University of Science. Opmerking: inhoud kan worden bewerkt voor stijl en lengte.
lees het gehele artikel bij de bron
————————————————– ———————————–
samenvatting:
Onderzoekers hebben een afstembaar fysiek reservoirapparaat ontworpen op basis van de diëlektrische relaxatie bij een elektrode-ionische vloeistofinterface. Physical reservoir 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.
Datum van publicatie: 29 april 2022
Bron: Bijzonder | Vreemd en ongebruikelijk nieuws — ScienceDaily
————————————————– ———————————–