Liquide ionique

Jun 01, 2023

Par Université des sciences de Tokyo1er juin 2022

Le calcul de réservoir physique peut être utilisé pour effectuer un traitement à grande vitesse pour l’intelligence artificielle avec une faible consommation d’énergie.

Des chercheurs japonais conçoivent un dispositif de réservoir physique réglable basé sur la relaxation diélectrique au niveau d'une interface électrode-liquide ionique.

Dans un avenir proche, de plus en plus de traitements de l’intelligence artificielle devront s’effectuer en périphérie, à proximité de l’utilisateur et là où les données sont collectées, plutôt que sur un serveur informatique distant. Cela nécessitera un traitement de données à grande vitesse avec une faible consommation d'énergie. Le calcul de réservoir physique constitue une plate-forme intéressante à cet effet, et une nouvelle avancée réalisée par des scientifiques japonais vient de rendre cette approche beaucoup plus flexible et pratique.

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"}]"> cadre d'apprentissage automatique capable d'effectuer un traitement à grande vitesse de signaux de séries chronologiques à faible puissance. Cependant, les systèmes PRC ont une faible accordabilité, ce qui limite les signaux qu'ils peuvent traiter. Aujourd'hui, des chercheurs japonais présentent les liquides ioniques comme un réservoir physique facilement réglable qui peut être optimisé pour traiter les signaux sur une large gamme d'échelles de temps en modifiant simplement leur viscosité.

L’intelligence artificielle (IA) devient rapidement omniprésente dans la société moderne et fera l’objet d’une mise en œuvre plus large dans les années à venir. Dans les applications impliquant des capteurs et des appareils Internet des objets, la norme est souvent l'IA de pointe, une technologie dans laquelle le calcul et les analyses sont effectués à proximité de l'utilisateur (là où les données sont collectées) et non loin sur un serveur centralisé. En effet, l’IA de pointe a de faibles besoins en énergie ainsi que des capacités de traitement de données à grande vitesse, caractéristiques particulièrement souhaitables pour le traitement de données de séries chronologiques en temps réel.

Échelle de temps des signaux couramment produits dans les milieux de vie. Le temps de réponse du système PRC à liquide ionique développé par l’équipe peut être réglé pour être optimisé pour le traitement de tels signaux du monde réel. Crédit : Kentaro Kinoshita de TUS

À cet égard, le calcul de réservoir physique (PRC), qui s’appuie sur la dynamique transitoire des systèmes physiques, peut grandement simplifier le paradigme informatique de l’IA de pointe. En effet, le PRC peut être utilisé pour stocker et traiter des signaux analogiques dans ceux avec lesquels l'IA de pointe peut travailler et analyser efficacement. Cependant, la dynamique des systèmes PRC solides est caractérisée par des échelles de temps spécifiques qui ne sont pas facilement réglables et sont généralement trop rapides pour la plupart des signaux physiques. Cette inadéquation des échelles de temps et leur faible contrôlabilité rendent les PRC largement inadaptés au traitement en temps réel des signaux dans les environnements de vie.

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>