This post is also available in:
English (אנגלית)
חלק מבעיות המחשוב הופכות למורכבות לא משום שכל חישוב בפני עצמו מסובך במיוחד, אלא משום שקיימים יותר מדי שילובים אפשריים שצריך לבדוק. תכנון שבב מחשב הוא דוגמה לכך: מהנדסים נדרשים להחליט כיצד לחבר אלפי רכיבים, היכן יעברו החיבורים ובאילו שכבות חיווט להשתמש – וכל זאת בתוך מרחב פיזי מוגבל.
חוקרים פיתחו מכונת איזינג ספינטרונית חדשה, שנועדה להתמודד עם בעיות אופטימיזציה קומבינטוריות באמצעות מצבים מגנטיים, במקום להסתמך לחלוטין על מחשוב קונבנציונלי.
מכונות מסוג זה מייצגות אפשרויות שונות באמצעות "ספינים" – משתנים שיכולים להימצא באחד משני מצבים. באמצעות שינוי חוזר של המצבים הללו והאינטראקציה ביניהם, המערכת מחפשת תצורות שמספקות פתרונות יעילים לבעיית האופטימיזציה הנתונה.
על פי דיווח של TechXplore, התכנון החדש משלב אלקטרוניקה קונבנציונלית מסוג CMOS עם זיכרון מגנטו־התנגדותי בלתי נדיף (MRAM), הכולל 96 אלף רכיבי ספין. כל אחד מהם מייצג באמצעות מצבו המגנטי ערך של 1+ או 1-.
פולסים חשמליים שולטים במעבר של הרכיבים המגנטיים בין המצבים. באמצעות שינוי משך כל פולס יכולים החוקרים לקבוע את ההסתברות למעבר בין 0% ל־100%.
העדכונים הללו מתבצעים בתוך 0.3 עד ננו־שנייה אחת בלבד, תוך צריכת אנרגיה של פחות מ־40 פמטו־ג'אול לכל ספין.
החוקרים הדגימו את המכונה במשימות מעשיות של תכנון שבבים, בהן מציאת נתיבי חיווט יעילים בין רכיבים וקביעה באילו שכבות חיווט יש להעביר כל חיבור. המערכת נבחנה גם באמצעות מבחני אופטימיזציה מסוג Max-cut, והשיגה, לפי הדיווח, יעילות מערכתית של 1.92 כפול 10 בחזקת 5 פתרונות לשנייה לכל ואט.
אף שהמחקר מתמקד בתכנון שבבים ובאופטימיזציה מתמטית, לאתגר שעומד בבסיסו יש מקבילות גם בתחומים אחרים בעולם המחשוב, ובהם בינה מלאכותית.
כל מערכת בינה מלאכותית תלויה במאגר הנתונים המשמש לאימון שלה, ומאגרים כאלה עלולים להכיל תיוגים שגויים, רשומות כפולות, מידע חסר ודוגמאות חריגות. מציאת הדרך הטובה ביותר לזהות, לנקות ולארגן מאגרי נתונים עצומים היא בפני עצמה בעיית אופטימיזציה.
טכנולוגיות ייעודיות לנתוני בינה מלאכותית כבר יכולות להתמודד עם האתגר באמצעות זיהוי אוטומטי של טעויות בתיוג ורשומות כפולות, איתור חריגות חשודות, השלמת מידע חסר או יצירת נתוני אימון סינתטיים במקומות שבהם אין מספיק דוגמאות אמיתיות. זהו יישום שונה ממכונת האיזינג הספינטרונית המתוארת במחקר, אך הוא משקף את אותו צורך רחב יותר: להפיק תוצאות טובות יותר מתוך שילובים מורכבים והולכים של מידע.
בתחום הבינה המלאכותית הביטחונית, לאיכות הנתונים עשויה להיות משמעות קריטית במיוחד. מערכות המפותחות עבור פלטפורמות אוטונומיות, ניתוח מודיעיני, זיהוי איומים או ראייה ממוחשבת אמינות רק במידה שבה המידע ששימש לאימון ולאימות שלהן אמין.
בכך נוצרת הזדמנות עבור חברות שהטכנולוגיה שלהן משפרת מאגרי נתונים לבינה מלאכותית, גם אם כיום הן אינן רואות בעצמן חברות ביטחוניות. כלי שנבנה כדי לנקות ולייעל נתוני אימון מסחריים יכול להפוך לתשתית שתתמוך במגוון רחב של יישומי בינה מלאכותית צבאיים.
האתגר הזה רלוונטי לאינופנס, תוכנית החדשנות שמפעילה iHLS בשיתוף משרד הביטחון ומפא"ת. מפתחים העוסקים בניקוי מאגרי נתונים, אימות אוטומטי של תיוגים, זיהוי חריגות, שחזור מידע חסר או יצירת נתונים סינתטיים יכולים להגיש טכנולוגיות שניתן יהיה להתאים ולהדגים באמצעות הוכחת היתכנות בשיתוף מערכת הביטחון.
מודל הבינה המלאכותית עצמו הוא זה שזוכה בדרך כלל למרבית תשומת הלב. אבל לפני שמודל כלשהו יכול לפעול באופן אמין, מישהו צריך לוודא שהנתונים שמהם הוא לומד אכן ראויים ללמידה.
המחקר פורסם כאן.
עובדים על טכנולוגיה בתחום האופטימיזציה וחושבים שניתן ליישם אותה לשיפור ואופטימיזציה של מאגרי נתונים לבינה מלאכותית? הגישו מועמדות לאינופנס עכשיו!
