Neuromorfní počítání pomocí magnetických skyrmionů

Abstract

1 V posledních letech vědci po celém světě zkoumají nové přístupy k automatizaci úkolů, které byly tradičně považovány za proveditelné pouze lidmi, především prostřednictvím strojového učení. Tento proces automatizace je velmi schopný replikovat základní kog- nitivní úkoly. Přesto základní technologie - von Neumannovy digitální počítače - není dostatečně efektivní pro tento účel. Například, energetické nároky na provoz velkých jazykových modelů jsou příliš vysoké pro každodenní použití. Tato práce proto zkoumá možnost využití fyzikálního systému k nahrazení výpočetně náročných modelů strojového učení. Konkrétně jsme využili rezervoár propojených magnetických skyrmionů k zpra- cování vstupních dat. Pro provedení inference kódujeme vstupní data do elektrických signálů, které jsou použity k excitaci skyrmionového rezervoáru. Během tohoto procesu se sbírají dynamicky se měnící fyzikální veličiny, jako je magnetizace a odpor. Jednoduchý model strojového učení je následně trénován na těchto naměřených datech, aby prováděl regresi nebo klasifikaci složitých vstupních dat. Konkrétně jsme se zaměřili na problém analýzy Fourierovy řady. Zkoumali jsme možnost analýzy signálu pomocí studovaných modelů - chtěli jsme, aby model předpověděl pět parametrů definujících amplitudy našeho vstupního proudu. V této práci jsme...

In recent years, scientists worldwide have explored new approaches to automating tasks traditionally deemed doable only by humans, prominently through machine learn- ing. This process of automation is extremely capable of replicating basic cognitive tasks. Still, the underlying technology - von Neumann digital computers - is not good enough to pursue this purpose efficiently. For example, the energy requirements for running a large language model are too high for daily routine usage. This thesis, therefore, investigates the possibility of using a physical system to replace the computationally demanding ma- chine learning models. Namely, we assumed a reservoir of coupled magnetic skyrmions to process the input data. To perform inference, we encode the input data into electrical signals, which are used to excite the skyrmion reservoir. During this process, dynami- cally varying physical quantities like magnetisation and resistance are collected. A simple machine learning model is then trained on such measured data to perform regression or classification of intricate input data. We specifically focused on a problem of Fourier series analysis. We were examining the possibility of signal analysis using the studied models - we wanted the model to predict five parameters defining the amplitudes of our input...