Тепло от электронных устройств чаще всего доставляет хлопоты, но специалисты под руководством Джузеппе Романо, ученого из Института нанотехнологий для солдат Массачусетского технологического института, научились применять его для обработки данных без подключения к сети.
Здесь входные данные превращаются не в привычные двоичные единицы и нули, а в комбинации температур от уже накопившегося в устройстве тепла. Движение этого тепла и его распространение по миниатюрным кремниевым элементам, спроектированным специальным алгоритмом оптимизации на основе физических принципов, и составляет основу процесса. На выходе фиксируется собранная электрическая мощность.
Такие элементы позволили провести базовое умножение матрицы на вектор — ключевую операцию, которую используют модели машинного обучения вроде больших языковых систем для разбора данных и выдачи прогнозов. Точность в ряде сценариев превысила 99%.
Для внедрения в масштабные сети глубокого обучения потребуется решить серьезные вопросы, включая соединение миллионов подобных элементов. С ростом сложности матриц результаты ухудшаются, особенно при большом удалении между точками входа и выхода.
При этом подход уже готов к практическим задачам: поиск источников перегрева и отслеживание колебаний температуры в чипах без лишних энергозатрат. Это устранит потребность в отдельных датчиках, которые сейчас крадут драгоценное место на кристалле.
«При работе электронных устройств тепло обычно выходит побочным продуктом, от которого избавляются любой ценой, — поясняет Каио Силва, студент физического факультета и ведущий автор публикации по проекту. — Мы же поступили иначе и превратили его в полноценный канал передачи информации».