Apprentissage automatique pour une meilleure efficacité énergétique dans les nanosystèmes fluctuants

Apprentissage automatique pour une meilleure efficacité énergétique dans les nanosystèmes fluctuants

Horodatage: 12 mai 2023 3:39
Nœud source: 2646900
12 mai 2023 (Actualités Nanowerk) Obtenir quelque chose pour rien ne fonctionne pas en physique. Mais il s'avère qu'en pensant comme un joueur stratégique et avec l'aide d'un démon, une meilleure efficacité énergétique pour des systèmes complexes comme les centres de données pourrait être possible. Dans les simulations informatiques, Stephen Whitelam du Laboratoire national Lawrence Berkeley du Département de l'énergie (Berkeley Lab) a utilisé des réseaux de neurones (un type de modèle d'apprentissage automatique qui imite les processus du cerveau humain) pour former des nanosystèmes, qui sont de minuscules machines de la taille de molécules, à travailler avec une plus grande efficacité énergétique. De plus, les simulations ont montré que les protocoles appris pouvaient tirer de la chaleur des systèmes en les mesurant constamment pour trouver les opérations les plus économes en énergie. "Nous pouvons extraire de l'énergie du système ou stocker du travail dans le système", a déclaré Whitelam. C'est une idée qui pourrait s'avérer précieuse, par exemple, dans l'exploitation de très grands systèmes comme les centres de données informatiques. Les bancs d'ordinateurs produisent d'énormes quantités de chaleur qu'il faut extraire – en utilisant encore plus d'énergie – pour éviter d'endommager l'électronique sensible. Whitelam a mené la recherche à la Molecular Foundry, une installation utilisateur du DOE Office of Science au Berkeley Lab. Son travail est décrit dans un article publié dans Examen physique X ("Demon in the Machine : apprendre à extraire le travail et à absorber l'entropie des nanosystèmes fluctuants").

Inspiration de Pac Man et Maxwell's Demon

Interrogé sur l'origine de ses idées, Whitelam a déclaré: "Les gens avaient utilisé des techniques de la littérature sur l'apprentissage automatique pour jouer à des jeux vidéo Atari qui semblaient naturellement adaptés à la science des matériaux." Dans un jeu vidéo comme Pac Man, a-t-il expliqué, le but de l'apprentissage automatique serait de choisir un moment particulier pour une action - haut, bas, gauche, droite, etc. - à effectuer. Au fil du temps, les algorithmes d'apprentissage automatique "apprendront" les meilleurs mouvements à effectuer et à quel moment pour atteindre des scores élevés. Les mêmes algorithmes peuvent fonctionner pour les systèmes à l'échelle nanométrique. Les simulations de Whitelam sont aussi en quelque sorte une réponse à une ancienne expérience de pensée en physique appelée Maxwell's Demon. Brièvement, en 1867, le physicien James Clerk Maxwell proposa une boîte remplie d'un gaz, et au milieu de la boîte il y aurait un "démon" sans masse contrôlant une trappe. Le démon ouvrirait la porte pour permettre aux molécules plus rapides du gaz de se déplacer d'un côté de la boîte et aux molécules plus lentes du côté opposé. Finalement, avec toutes les molécules ainsi séparées, le côté "lent" de la boîte serait froid et le "côté rapide" serait chaud, correspondant à l'énergie des molécules.

Vérification du réfrigérateur

Le système constituerait un moteur thermique, a déclaré Whitelam. Mais surtout, le démon de Maxwell ne viole pas les lois de la thermodynamique – obtenir quelque chose pour rien – car l'information est équivalente à l'énergie. La mesure de la position et de la vitesse des molécules dans la boîte coûte plus d'énergie que celle dérivée du moteur thermique résultant. Et les moteurs thermiques peuvent être des choses utiles. Les réfrigérateurs fournissent une bonne analogie, a déclaré Whitelam. Pendant que le système fonctionne, les aliments à l'intérieur restent froids - le résultat souhaité - même si l'arrière du réfrigérateur devient chaud en raison du travail effectué par le moteur du réfrigérateur. Dans les simulations de Whitelam, le protocole d'apprentissage automatique peut être considéré comme le démon. Dans le processus d'optimisation, il convertit les informations tirées du système modélisé en énergie sous forme de chaleur.

Libérer le démon sur un système à l'échelle nanométrique

Dans une simulation, Whitelam a optimisé le processus consistant à faire glisser une perle à l'échelle nanométrique dans l'eau. Il a modélisé un soi-disant piège optique dans lequel des faisceaux laser, agissant comme des pincettes de lumière, peuvent retenir et déplacer une perle. "Le nom du jeu est : allez d'ici à là avec le moins de travail possible sur le système", a déclaré Whitelam. La perle s'agite sous des fluctuations naturelles appelées mouvement brownien lorsque les molécules d'eau la bombardent. Whitelam a montré que si ces fluctuations peuvent être mesurées, le déplacement de la perle peut alors être effectué au moment le plus économe en énergie. "Ici, nous montrons que nous pouvons entraîner un démon de réseau neuronal à faire quelque chose de similaire à l'expérience de pensée de Maxwell mais avec un piège optique", a-t-il déclaré.

Ordinateurs de refroidissement

Whitelam a étendu l'idée à la microélectronique et au calcul. Il a utilisé le protocole d'apprentissage automatique pour simuler le basculement de l'état d'un bit nanomagnétique entre 0 et 1, qui est une opération de base d'effacement/copie d'informations en informatique. « Faites-le encore et encore. Finalement, votre démon "apprendra" à retourner le mors afin d'absorber la chaleur de l'environnement », a-t-il déclaré. Il revient à l'analogie du réfrigérateur. "Vous pourriez créer un ordinateur qui se refroidit pendant son fonctionnement, la chaleur étant envoyée ailleurs dans votre centre de données." Whitelam a déclaré que les simulations sont comme un banc d'essai pour comprendre les concepts et les idées. "Et ici, l'idée montre simplement que vous pouvez exécuter ces protocoles, soit avec peu de dépenses énergétiques, soit avec de l'énergie aspirée au prix d'aller ailleurs, en utilisant des mesures qui pourraient s'appliquer à une expérience réelle", a-t-il déclaré.

Horodatage:

Plus de Nanowerk