Ionische Flüssigkeit

Sep 30, 2023

Von der Tokyo University of Science, 1. Juni 2022

Durch physikalisches Reservoir-Computing kann eine Hochgeschwindigkeitsverarbeitung für künstliche Intelligenz bei geringem Stromverbrauch durchgeführt werden.

Forscher aus Japan entwerfen ein abstimmbares physikalisches Reservoirgerät, das auf dielektrischer Relaxation an einer Grenzfläche zwischen Elektrode und ionischer Flüssigkeit basiert.

In naher Zukunft muss die Verarbeitung künstlicher Intelligenz immer mehr am Rande stattfinden – in der Nähe des Benutzers und dort, wo die Daten gesammelt werden, und nicht auf einem entfernten Computerserver. Dies erfordert eine schnelle Datenverarbeitung bei geringem Stromverbrauch. Das physikalische Reservoir-Computing ist für diesen Zweck eine attraktive Plattform, und ein neuer Durchbruch von Wissenschaftlern in Japan hat dies jetzt viel flexibler und praktischer gemacht.

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"}]"> Ein Framework für maschinelles Lernen, das eine Hochgeschwindigkeitsverarbeitung von Zeitreihensignalen bei geringem Stromverbrauch durchführen kann. Allerdings verfügen PRC-Systeme über eine geringe Abstimmbarkeit, was die Signalverarbeitung begrenzt. Nun stellen Forscher aus Japan ionische Flüssigkeiten als leicht einstellbare physikalische Reservoirvorrichtung vor, die durch einfache Änderung ihrer Viskosität für die Verarbeitung von Signalen über einen breiten Zeitbereich optimiert werden kann.

Künstliche Intelligenz (KI) ist in der modernen Gesellschaft schnell allgegenwärtig und wird in den kommenden Jahren eine breitere Anwendung erfahren. Bei Anwendungen mit Sensoren und Internet-of-Things-Geräten ist die Edge-KI oft die Norm, eine Technologie, bei der Berechnungen und Analysen in der Nähe des Benutzers (wo die Daten gesammelt werden) und nicht weit entfernt auf einem zentralen Server durchgeführt werden. Dies liegt daran, dass Edge-KI einen geringen Energiebedarf sowie Hochgeschwindigkeits-Datenverarbeitungsfähigkeiten aufweist, Eigenschaften, die besonders bei der Verarbeitung von Zeitreihendaten in Echtzeit wünschenswert sind.

Zeitskala von Signalen, die üblicherweise in Wohnumgebungen erzeugt werden. Die Reaktionszeit des vom Team entwickelten ionischen Flüssigkeits-PRC-Systems kann so eingestellt werden, dass sie für die Verarbeitung solcher Signale aus der realen Welt optimiert wird. Bildnachweis: Kentaro Kinoshita von TUS

In dieser Hinsicht kann das Physical Reservoir Computing (PRC), das auf der transienten Dynamik physikalischer Systeme beruht, das Rechenparadigma der Edge-KI erheblich vereinfachen. Dies liegt daran, dass PRC zum Speichern und Verarbeiten analoger Signale verwendet werden kann, damit Edge-KI effizient damit arbeiten und sie analysieren kann. Die Dynamik fester PRC-Systeme zeichnet sich jedoch durch spezifische Zeitskalen aus, die nicht einfach einstellbar sind und für die meisten physikalischen Signale normalerweise zu schnell sind. Diese Diskrepanz bei den Zeitskalen und ihre geringe Steuerbarkeit machen PRC für die Echtzeitverarbeitung von Signalen in lebenden Umgebungen weitgehend ungeeignet.

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"}]"> Wissenschaftliche Berichte empfehlen stattdessen die Verwendung flüssiger PRC-Systeme. „Der Ersatz herkömmlicher Feststoffbehälter durch flüssige Behälter sollte zu KI-Geräten führen, die in Echtzeit direkt auf den Zeitskalen umweltbedingter Signale wie Stimme und Vibrationen lernen können“, erklärt Prof. Kinoshita. „Ionische Flüssigkeiten sind stabile geschmolzene Salze, die vollständig aus frei beweglichen elektrischen Ladungen bestehen. Die dielektrische Entspannung der ionischen Flüssigkeit oder die Art und Weise, wie sich ihre Ladungen als Reaktion auf ein elektrisches Signal neu anordnen, könnte als Reservoir genutzt werden und ist vielversprechend für das physikalische Computing der Edge-KI.“

Die Reaktion des ionischen Flüssigkeits-PRC-Systems kann so abgestimmt werden, dass sie für die Verarbeitung eines breiten Spektrums von Signalen optimiert wird, indem ihre Viskosität durch Anpassen der Länge der kationischen Seitenkette geändert wird. Bildnachweis: Kentaro Kinoshita von TUS

In ihrer Studie entwarf das Team ein PRC-System mit einer ionischen Flüssigkeit (IL) eines organischen Salzes, 1-Alkyl-3-methylimidazolium-bis(trifluormethansulfonyl)imid ([Rmim+] [TFSI–] R = Ethyl (e), Butyl (b), Hexyl (h) und Octyl (o)), deren kationischer Teil (das positiv geladene Ion) leicht mit der Länge einer gewählten Alkylkette variiert werden kann. Sie stellten Goldspaltelektroden her und füllten die Lücken mit der IL. „Wir haben herausgefunden, dass die Zeitskala des Reservoirs zwar komplexer Natur ist, aber direkt durch die Viskosität der IL gesteuert werden kann, die von der Länge der kationischen Alkylkette abhängt. Das Ändern der Alkylgruppe in organischen Salzen ist einfach durchzuführen und bietet uns ein kontrollierbares, gestaltbares System für eine Reihe von Signallebensdauern, das in der Zukunft ein breites Spektrum an Computeranwendungen ermöglicht“, sagt Prof. Kinoshita. Durch die Anpassung der Alkylkettenlänge zwischen 2 und 8 Einheiten erreichten die Forscher charakteristische Reaktionszeiten im Bereich von 1 bis 20 µs, wobei längere Alkylseitenketten zu längeren Reaktionszeiten und einer einstellbaren KI-Lernleistung von Geräten führten.

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"}]"> Genauigkeit. Bei Verwendung der längsten Sidechain von 8 Einheiten erreichte die Diskriminierungsrate einen Spitzenwert von 90,2 %.

Eingangssignalumwandlung durch das auf ionischer Flüssigkeit basierende PRC-System. Dargestellt ist der Reservoirausgang in Form einer Stromreaktion (oben und in der Mitte) auf ein Eingangsspannungsimpulssignal (unten). Wenn der Stromabfall (dielektrische Relaxation) zu schnell/langsam ist, erreicht er seinen Sättigungswert vor dem nächsten Signaleingang und es bleibt keine Historie des vorherigen Signals erhalten (mittleres Bild). Wenn hingegen die aktuelle Reaktion mit einer Relaxationszeit abschwächt, die genau auf die Zeitskalen des Eingangsimpulses abgestimmt ist, bleibt der Verlauf des vorherigen Eingangssignals erhalten (oberes Bild). Bildnachweis: Kentaro Kinoshita von TUS

Diese Ergebnisse sind ermutigend, da sie deutlich zeigen, dass das vorgeschlagene PRC-System, das auf der dielektrischen Relaxation an einer Grenzfläche zwischen Elektrode und ionischer Flüssigkeit basiert, entsprechend den Eingangssignalen durch einfaches Ändern der Viskosität der IL geeignet abgestimmt werden kann. Dies könnte den Weg für Edge-KI-Geräte ebnen, die die verschiedenen in der Lebensumgebung erzeugten Signale in Echtzeit genau lernen können.

Computing war noch nie so flexibel!

Referenz: „Reservoir Computing with Dielectric Relaxation at an Electrode-ionic Liquid Interface“ von Sang-Gyu Koh, Hisashi Shima, Yasuhisa Naitoh, Hiroyuki Akinaga und Kentaro Kinoshita, 28. April 2022, Wissenschaftliche Berichte. DOI: 10.1038/s41598-022-10152 -9

Kinoshita Kentaro ist Professorin am Department of Applied Physics der Tokyo University of Science, Japan. Sein Interessengebiet ist Gerätephysik mit Schwerpunkt auf Speichergeräten, KI-Geräten und Funktionsmaterialien. Er hat 105 Artikel mit über 1600 Zitaten veröffentlicht und ist Inhaber eines Patents auf seinen Namen.

Diese Studie wurde teilweise durch JSPS KAKENHI Grant Number JP20J12046 unterstützt.

Die Tokyo University of Science (TUS) ist eine bekannte und angesehene Universität und die größte auf Wissenschaft spezialisierte private Forschungsuniversität in Japan mit vier Campussen im Zentrum von Tokio und seinen Vororten sowie in Hokkaido. Die 1881 gegründete Universität hat kontinuierlich zur wissenschaftlichen Entwicklung Japans beigetragen, indem sie Forschern, Technikern und Pädagogen die Liebe zur Wissenschaft vermittelt hat.