12 de mayo de 2023 (Noticias de Nanowerk) Obtener algo por nada no funciona en física. Pero resulta que, al pensar como un jugador estratégico y con la ayuda de un demonio, podría ser posible mejorar la eficiencia energética para sistemas complejos como los centros de datos. En simulaciones por computadora, Stephen Whitelam, del Laboratorio Nacional Lawrence Berkeley (Berkeley Lab) del Departamento de Energía, usó redes neuronales (un tipo de modelo de aprendizaje automático que imita los procesos del cerebro humano) para entrenar nanosistemas, que son máquinas diminutas del tamaño de moléculas, para trabajar con mayor eficiencia energética. Además, las simulaciones mostraron que los protocolos aprendidos podrían extraer calor de los sistemas en virtud de medirlos constantemente para encontrar las operaciones con mayor eficiencia energética. “Podemos sacar energía del sistema o podemos almacenar trabajo en el sistema”, dijo Whitelam. Es una idea que podría resultar valiosa, por ejemplo, en la operación de sistemas muy grandes como centros de datos informáticos. Los bancos de computadoras producen enormes cantidades de calor que deben extraerse, utilizando aún más energía, para evitar daños a los componentes electrónicos sensibles. Whitelam realizó la investigación en Molecular Foundry, una instalación para usuarios de la Oficina de Ciencias del DOE en Berkeley Lab. Su trabajo se describe en un artículo publicado en Revisión física X (“Demonio en la máquina: aprendiendo a extraer trabajo y absorber entropía de nanosistemas fluctuantes”).

Inspiración de Pac Man y Maxwell's Demon

Cuando se le preguntó sobre el origen de sus ideas, Whitelam dijo: "La gente había usado técnicas en la literatura de aprendizaje automático para jugar videojuegos de Atari que parecían adaptarse naturalmente a la ciencia de los materiales". En un videojuego como Pac Man, explicó, el objetivo del aprendizaje automático sería elegir un momento particular para realizar una acción (arriba, abajo, izquierda, derecha, etc.). Con el tiempo, los algoritmos de aprendizaje automático "aprenderán" los mejores movimientos para hacer y cuándo lograr puntajes altos. Los mismos algoritmos pueden funcionar para sistemas a nanoescala. Las simulaciones de Whitelam también son una especie de respuesta a un viejo experimento mental en física llamado Maxwell's Demon. Brevemente, en 1867, el físico James Clerk Maxwell propuso una caja llena de gas, y en el medio de la caja habría un “demonio” sin masa controlando una trampilla. El demonio abriría la puerta para permitir que las moléculas más rápidas del gas se movieran hacia un lado de la caja y las moléculas más lentas hacia el lado opuesto. Eventualmente, con todas las moléculas así segregadas, el lado “lento” de la caja estaría frío y el “lado rápido” estaría caliente, igualando la energía de las moléculas.

Comprobando el refrigerador

El sistema constituiría un motor térmico, dijo Whitelam. Sin embargo, es importante señalar que el Demonio de Maxwell no viola las leyes de la termodinámica (obtener algo a cambio de nada) porque la información es equivalente a la energía. Medir la posición y la velocidad de las moléculas en la caja cuesta más energía que la derivada del motor térmico resultante. Y los motores térmicos pueden ser cosas útiles. Los refrigeradores proporcionan una buena analogía, dijo Whitelam. A medida que el sistema funciona, la comida del interior se mantiene fría, el resultado deseado, aunque la parte posterior del refrigerador se calienta como producto del trabajo realizado por el motor del refrigerador. En las simulaciones de Whitelam, el protocolo de aprendizaje automático puede considerarse como el demonio. En el proceso de optimización, convierte la información extraída del sistema modelado en energía en forma de calor.

Desatando al demonio en un sistema a nanoescala

En una simulación, Whitelam optimizó el proceso de arrastrar una perla a nanoescala a través del agua. Modeló una llamada trampa óptica en la que los rayos láser, actuando como pinzas de luz, pueden sostener y mover una cuenta. “El nombre del juego es: vaya de aquí para allá con el menor trabajo posible en el sistema”, dijo Whitelam. La perla se sacude bajo fluctuaciones naturales llamadas movimiento browniano a medida que las moléculas de agua la bombardean. Whitelam demostró que si se pueden medir estas fluctuaciones, se puede mover la perla en el momento de mayor eficiencia energética. “Aquí estamos demostrando que podemos entrenar a un demonio de redes neuronales para que haga algo similar al experimento mental de Maxwell pero con una trampa óptica”, dijo.

Enfriando computadoras

Whitelam extendió la idea a la microelectrónica y la computación. Usó el protocolo de aprendizaje automático para simular cambiar el estado de un bit nanomagnético entre 0 y 1, que es una operación básica de borrado/copia de información en informática. “Haz esto una y otra vez. Eventualmente, tu demonio “aprenderá” cómo voltear la broca para absorber el calor del entorno”, dijo. Vuelve a la analogía del refrigerador. “Podría hacer una computadora que se enfríe mientras funciona, y el calor se envíe a otra parte de su centro de datos”. Whitelam dijo que las simulaciones son como un banco de pruebas para comprender conceptos e ideas. “Y aquí la idea es simplemente mostrar que se pueden realizar estos protocolos, ya sea con poco gasto de energía o energía absorbida a costa de ir a otro lugar, utilizando medidas que podrían aplicarse en un experimento de la vida real”, dijo.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
• Acuñando el futuro con Adryenn Ashley. Accede Aquí.
• Compra y Vende Acciones en Empresas PRE-IPO con PREIPO®. Accede Aquí.
• Fuente: https://www.nanowerk.com/nanotechnology-news2/newsid=62985.php