Ежедневно огромные объемы данных, включающие в себя прогнозы погоды, обновления дорожного движения и активность в социальных сетях, обрабатываются в реальном времени. В рамках традиционных облачных вычислений этот процесс осуществляется на удаленных серверах, что сопряжено с потенциальными рисками, такими как утечка данных, задержки в передаче информации, снижение скорости обработки и увеличение энергопотребления. В этой связи концепция "периферийных вычислений" становится жизнеспособной и инновационной альтернативой.
Периферийные вычисления, расположенные близко к конечным пользователям, призваны распределять вычислительные нагрузки, что позволяет снизить нагрузку и ускорить обработку данных. Особый интерес представляют периферийные системы искусственного интеллекта, включая обработку искусственного интеллекта на уровне периферии, которые могут быть применены, например, в автономных транспортных средствах и системах прогнозирования аномалий на производственных предприятиях.
Однако для эффективного осуществления периферийных вычислений необходимы эффективные и экономически выгодные технологии. Одним из перспективных вариантов являются пластовые вычисления — метод обработки сигналов, записанных в течение времени. Он позволяет преобразовывать эти сигналы в сложные структуры с использованием резервуаров, которые нелинейно реагируют на них. Особенно обращает на себя внимание использование физических резервуаров, использующих динамику физических систем, как экономически выгодных и эффективных с вычислительной точки зрения. Однако их способность обрабатывать сигналы в реальном времени ограничена естественным временем релаксации физической системы, что требует корректировок для достижения оптимальных результатов обучения.
Недавно профессор Кентаро Киносита из факультета перспективной инженерии и кафедры прикладной физики Токийского научного университета (TUS) и г-н Ютаро Ямадзаки из Высшей школы естественных наук ТУС разработали оптическое устройство с функциями, позволяющими поддерживать вычисления в физических резервуарах и обрабатывать сигналы в реальном времени в широком диапазоне временных масштабов. Их исследование было опубликовано в журнале Advanced Science.
Говоря о мотивации исследования, профессор Киношита объясняет: "Устройства, разработанные в рамках этого исследования, позволяют одному устройству обрабатывать сигналы временных рядов с различными временными масштабами, генерируемые в нашей повседневной жизни, в режиме реального времени. Мы надеемся применить это устройство в области периферийных вычислений".
В рамках исследования дуэт создал специальное устройство с использованием In2O3, легированного Sn, и SrTiO3, легированного Nb (обозначаемое как ITO/Nb:STO), которое реагирует как на электрические, так и на оптические сигналы. Они проверили электрические характеристики устройства, чтобы подтвердить его работу как мемристора (устройства памяти, способного изменять свое электрическое сопротивление). Команда также исследовала влияние ультрафиолета на ITO/Nb:STO, изменяя напряжение и наблюдая за изменениями тока. Результаты показали, что это устройство может регулировать время релаксации фотоиндуцированного тока в зависимости от напряжения, что делает его потенциальным кандидатом на роль физического резервуара.
Кроме того, команда проверила эффективность ITO/Nb:STO в качестве физического резервуара, используя его для классификации изображений рукописных цифр в наборе данных MNIST. К их радости, устройство достигло точности классификации до 90,2%. Проведение экспериментов без использования физического резервуара привело к относительно более низкой точности классификации — 85,1%. Эти результаты демонстрируют, что соединительное устройство ITO/Nb:STO повышает точность классификации, при этом сохраняя вычислительные затраты на низком уровне, что подтверждает его ценность в качестве физического резервуара.
Таким образом, в данном исследовании представлено новое мемристорное устройство, способное регулировать время отклика в широком диапазоне временных масштабов путем изменения напряжения, что расширяет его возможности в обучении и делает его перспективным для использования в периферийных приложениях в качестве устройства искусственного интеллекта для периферийных вычислений. Это в свою очередь может проложить путь к созданию отдельных устройств, способных эффективно обрабатывать сигналы различной продолжительности, присутствующие в реальных условиях.
