Energiesparendes Computing mit magnetischen Wirbeln

Wissenschaftlern der Uni Mainz ist es gelungen, das Brownsche Reservoir Computing weiterzuentwickeln und einfache Gesten einer Hand auf das System zu übertragen, sodass mithilfe von Skyrmionen die einzelnen Gesten detektiert werden können. „Wir sind erstaunt, wie gut unser Hardware-Ansatz funktioniert und energieintensiven Software-Lösungen mit neuronalen Netzen überlegen ist“, sagt Grischa Beneke von der Uni Mainz. Das Team konnte zeigen, dass die Erkennung von einfachen Handbewegungen über Brownsches Reservoir Computing mit relativ hoher Genauigkeit erfolgt.

Reservoir Computing ist vergleichbar mit einem künstlichen neuronalen Netz, hat jedoch den Vorteil, dass es nicht so aufwändig trainiert werden muss, was Energie spart. „Wir müssen lediglich einen einfachen Auslesemechanismus trainieren, um das Ergebnis abzubilden“, erklärt Beneke. Wie das Reservoir genau rechnet, bleibt unklar und ist auch nicht im Detail von Bedeutung: Der Auslesemechanismus gibt Hinweise auf die ursprüngliche Eingabe.

In der Studie wurden einfache Handbewegungen ausgeführt – die Hand winkt beispielsweise nach links oder nach rechts – und über ein Doppler-Radar aufgezeichnet. Die Radardaten wurden dann in Spannung konvertiert und an das Reservoir angelegt, in diesem Fall ein mehrschichtiges Dünnschichtsystem in Dreiecksform, das an den Ecken mit Kontakten versehen ist. Die Spannung wird an zwei Kontaktstellen angelegt, worauf sich das Skyrmion auf dem Dreieck bewegt.

„Wir beobachten komplexe Bewegungen als Reaktion auf das gegebene Signal“, beschreibt Beneke das Resultat. „Anhand der Bewegung des Skyrmions können wir rückschließen, welche Bewegung die Radaraufnahme erfasst hat.“ Skyrmionen sind magnetische Wirbel, denen großes Potenzial für nichtkonventionelle Rechengeräte oder als Informationsträger in neuartigen Datenspeichern eingeräumt wird. „Skyrmionen überraschen mich immer wieder. Zuerst haben wir sie nur für Datenspeicher in Betracht gezogen, aber jetzt zeigen sich auch Anwendungsmöglichkeiten für Computing in Kombination mit Sensorik“, so Mathias Kläui, der die Forschung leitet.

Ein Vergleich des Brownschen Reservoir Computing mit einem Software-Ansatz zeigt, dass die Genauigkeit bei der Erkennung der Gesten vergleichbar oder sogar höher ist. Die Kombination von Reservoir Computing mit Brownschem Computing bietet den Vorteil, dass die Skyrmionen zufällige Bewegungen aufweisen, wodurch lokale Unterschiede in den magnetischen Eigenschaften weniger Einfluss auf das Verhalten der Skyrmionen haben. Dadurch können Skyrmionen, entgegen ihren üblichen Eigenschaften, mit nur geringem Strom bewegt werden. Das führt zu einer deutlich höheren Energieeffizienz im Vergleich zum Software-Ansatz. Da die Daten des Doppler-Radars und die Eigendynamik des Reservoirs auf vergleichbaren Zeitskalen basieren, ist eine direkte Einspeisung der Sensordaten in das Reservoir möglich. Dabei können die Zeitskalen des Systems an andere Probleme angepasst werden.

Die Forscher haben festgestellt, dass die Radardaten verschiedener Handgesten in dem Hardware-Reservoir mit einer Genauigkeit erkannt werden, die mindestens so gut ist wie bei einem modernen, softwarebasierten neuronalen Netzwerkansatz. Beneke sieht eine Verbesserungsmöglichkeit im Ausleseprozess, der bisher mit einem magnetooptischen Kerr-Mikroskop durchgeführt wurde. Mit einem magnetischen Tunnelkontakt könnte die gesamte Installation weiter verkleinert werden. Bereits jetzt werden die Signale magnetischer Tunnelkontakte emuliert, um die Kapazität des Reservoirs zu demonstrieren.

JGU / RK