Liquido ionico

Sep 30, 2023

Por Universidad de Ciencias de Tokio 1 de junio de 2022

La computación de reservorio físico se puede utilizar para realizar procesamiento de alta velocidad para inteligencia artificial con bajo consumo de energía.

Investigadores japoneses diseñan un dispositivo de depósito físico sintonizable basado en la relajación dieléctrica en una interfaz electrodo-líquido iónico.

En el futuro cercano, será necesario que cada vez más procesamiento de inteligencia artificial se realice en el borde, cerca del usuario y donde se recopilan los datos, en lugar de en un servidor informático distante. Esto requerirá un procesamiento de datos de alta velocidad con un bajo consumo de energía. La computación de reservorios físicos es una plataforma atractiva para este propósito, y un nuevo avance de científicos en Japón acaba de hacer que esto sea mucho más flexible y práctico.

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"}]"> Marco de aprendizaje automático que puede realizar procesamiento de alta velocidad de señales de series temporales a baja potencia. Sin embargo, los sistemas PRC tienen una baja capacidad de sintonización, lo que limita las señales que pueden procesar. Ahora, investigadores de Japón presentan los líquidos iónicos como un dispositivo de depósito físico fácilmente sintonizable que puede optimizarse para procesar señales en una amplia gama de escalas de tiempo simplemente cambiando su viscosidad.

La Inteligencia Artificial (IA) se está volviendo rápidamente omnipresente en la sociedad moderna y contará con una implementación más amplia en los próximos años. En aplicaciones que involucran sensores y dispositivos de Internet de las cosas, la norma suele ser la IA de vanguardia, una tecnología en la que la computación y los análisis se realizan cerca del usuario (donde se recopilan los datos) y no muy lejos en un servidor centralizado. Esto se debe a que la IA de vanguardia tiene bajos requisitos de energía y capacidades de procesamiento de datos de alta velocidad, características que son particularmente deseables en el procesamiento de datos de series temporales en tiempo real.

Escala de tiempo de señales comúnmente producidas en entornos vivos. El tiempo de respuesta del sistema PRC de líquido iónico desarrollado por el equipo se puede ajustar para optimizarlo para procesar señales del mundo real. Crédito: Kentaro Kinoshita de TUS

En este sentido, la computación de reservorio físico (PRC), que se basa en la dinámica transitoria de los sistemas físicos, puede simplificar enormemente el paradigma informático de la IA de borde. Esto se debe a que PRC se puede utilizar para almacenar y procesar señales analógicas en aquellas que la IA de borde puede trabajar y analizar de manera eficiente. Sin embargo, la dinámica de los sistemas PRC sólidos se caracteriza por escalas de tiempo específicas que no son fácilmente sintonizables y suelen ser demasiado rápidas para la mayoría de las señales físicas. Este desajuste en las escalas de tiempo y su baja controlabilidad hacen que el PRC sea en gran medida inadecuado para el procesamiento de señales en tiempo real en entornos vivos.

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, el uso de sistemas PRC líquidos en su lugar. "Reemplazar los depósitos sólidos convencionales por líquidos debería dar lugar a dispositivos de inteligencia artificial que puedan aprender directamente en tiempo real las escalas de tiempo de las señales generadas en el entorno, como la voz y las vibraciones", explica el profesor Kinoshita. “Los líquidos iónicos son sales fundidas estables que están compuestas íntegramente de cargas eléctricas libres. La relajación dieléctrica del líquido iónico, o cómo se reorganizan sus cargas como respuesta a una señal eléctrica, podría usarse como depósito y es muy prometedora para la computación física de IA de vanguardia”.

La respuesta del sistema PRC de líquido iónico se puede ajustar para optimizarla para procesar una amplia gama de señales cambiando su viscosidad mediante el ajuste de la longitud de la cadena lateral catiónica. Crédito: Kentaro Kinoshita de TUS

En su estudio, el equipo diseñó un sistema PRC con un líquido iónico (IL) de una sal orgánica, bis(trifluorometanosulfonil)imida de 1-alquil-3-metilimidazolio ([Rmim+] [TFSI–] R = etil (e), butilo (b), hexilo (h) y octilo (o)), cuya parte catiónica (el ion cargado positivamente) se puede variar fácilmente con la longitud de una cadena alquílica elegida. Fabricaron electrodos de oro y los rellenaron con IL. “Descubrimos que la escala de tiempo del yacimiento, aunque es de naturaleza compleja, puede controlarse directamente mediante la viscosidad del IL, que depende de la longitud de la cadena alquílica catiónica. Cambiar el grupo alquilo en las sales orgánicas es fácil de hacer y nos presenta un sistema controlable y diseñable para una variedad de tiempos de vida de señales, lo que permitirá una amplia gama de aplicaciones informáticas en el futuro”, afirma el profesor Kinoshita. Al ajustar la longitud de la cadena alquílica entre 2 y 8 unidades, los investigadores lograron tiempos de respuesta característicos que oscilaron entre 1 y 20 µs, con cadenas laterales alquílicas más largas que condujeron a tiempos de respuesta más largos y a un rendimiento de aprendizaje de IA ajustable de los dispositivos.

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"}]"> exactitud. Cuando se utilizó la cadena lateral más larga de 8 unidades, la tasa de discriminación alcanzó un valor máximo del 90,2%.

Conversión de señal de entrada a través del sistema PRC basado en líquido iónico. Se muestra la salida del depósito en forma de respuesta de corriente (arriba y medio) a una señal de pulso de voltaje de entrada (abajo). Si la caída de la corriente (relajación dieléctrica) es demasiado rápida/lenta, alcanza su valor de saturación antes de la siguiente entrada de señal y no se conserva ningún historial de la señal anterior (imagen central). Mientras que, si la respuesta actual se atenúa con un tiempo de relajación que coincide adecuadamente con las escalas de tiempo del pulso de entrada, se conserva el historial de la señal de entrada anterior (imagen superior). Crédito: Kentaro Kinoshita de TUS

Estos hallazgos son alentadores ya que muestran claramente que el sistema PRC propuesto basado en la relajación dieléctrica en una interfaz electrodo-líquido iónico se puede ajustar adecuadamente de acuerdo con las señales de entrada simplemente cambiando la viscosidad del IL. Esto podría allanar el camino para dispositivos de inteligencia artificial de vanguardia que puedan aprender con precisión las diversas señales producidas en el entorno de vida en tiempo real.

¡La informática nunca ha sido más flexible!

Referencia: “Computación de yacimientos con relajación dieléctrica en una interfaz electrodo-líquido iónico” por Sang-Gyu Koh, Hisashi Shima, Yasuhisa Naitoh, Hiroyuki Akinaga y Kentaro Kinoshita, 28 de abril de 2022, Scientific Reports.DOI: 10.1038/s41598-022-10152 -9

Kinoshita Kentaro es profesor del Departamento de Física Aplicada de la Universidad de Ciencias de Tokio, Japón. Su área de interés es la física de dispositivos, centrándose en dispositivos de memoria, dispositivos de inteligencia artificial y materiales funcionales. Ha publicado 105 artículos con más de 1600 citas en su haber y posee una patente a su nombre.

Este estudio fue financiado en parte por la subvención número JP20J12046 de JSPS KAKENHI.

La Universidad de Ciencias de Tokio (TUS) es una universidad muy conocida y respetada, y la universidad privada de investigación especializada en ciencias más grande de Japón, con cuatro campus en el centro de Tokio y sus suburbios y en Hokkaido. Establecida en 1881, la universidad ha contribuido continuamente al desarrollo científico de Japón inculcando el amor por la ciencia en investigadores, técnicos y educadores.