Iets voor niets krijgen werkt niet in de natuurkunde. Maar het blijkt dat, door te denken als een strategische gamer, en met wat hulp van een demon, verbeterde energie-efficiëntie voor complexe systemen zoals datacenters mogelijk zou kunnen zijn.
In computersimulaties gebruikte Stephen Whitelam van het Lawrence Berkeley National Laboratory (Berkeley Lab) van het Department of Energy neurale netwerken (een type machine learning-model dat menselijke hersenprocessen nabootst) om nanosystemen, kleine machines ter grootte van moleculen, te trainen om werken met een grotere energie-efficiëntie.
Bovendien toonden de simulaties aan dat aangeleerde protocollen warmte uit de systemen konden halen door ze constant te meten om de meest energie-efficiënte operaties te vinden.
“We kunnen energie uit het systeem halen, of we kunnen werk in het systeem opslaan”, zei Whitelam.
Het is een inzicht dat bijvoorbeeld waardevol kan zijn bij het bedienen van zeer grote systemen zoals computerdatacenters. Banken met computers produceren enorme hoeveelheden warmte die moeten worden afgevoerd – met nog meer energie – om schade aan de gevoelige elektronica te voorkomen.
Whitelam voerde het onderzoek uit bij de Molecular Foundry, een DOE Office of Science-gebruikersfaciliteit in Berkeley Lab. Zijn werk wordt beschreven in een paper gepubliceerd in Fysieke beoordeling X.
Inspiratie van Pac Man en Maxwell’s Demon
Gevraagd naar de oorsprong van zijn ideeën, zei Whitelam: “Mensen hadden technieken uit de literatuur over machine learning gebruikt om Atari-videogames te spelen die van nature geschikt leken voor materiaalkunde.”
In een videogame als Pac Man, legde hij uit, zou het doel van machine learning zijn om een bepaald tijdstip te kiezen waarop een actie – omhoog, omlaag, naar links, naar rechts, enzovoort – moet worden uitgevoerd. Na verloop van tijd zullen de algoritmen voor machine learning de beste bewegingen “leren” om te maken en wanneer om hoge scores te behalen. Dezelfde algoritmen kunnen werken voor systemen op nanoschaal.
De simulaties van Whitelam zijn ook een soort antwoord op een oud gedachte-experiment in de natuurkunde genaamd Maxwell’s Demon. In het kort, in 1867 stelde natuurkundige James Clerk Maxwell een doos voor gevuld met een gas, en in het midden van de doos zou een massaloze “demon” een valdeur besturen. De demon zou de deur openen om snellere moleculen van het gas naar de ene kant van de doos te laten gaan en langzamere moleculen naar de andere kant.
Uiteindelijk, met alle moleculen zo gescheiden, zou de “langzame” kant van de doos koud zijn en de “snelle kant” heet, passend bij de energie van de moleculen.
Controle van de koelkast
Het systeem zou een warmtemotor vormen, zei Whitelam. Belangrijk is echter dat Maxwell’s Demon de wetten van de thermodynamica niet schendt – iets voor niets krijgen – omdat informatie gelijk is aan energie. Het meten van de positie en snelheid van moleculen in de doos kost meer energie dan het meten van de resulterende warmtemotor.
En warmtemotoren kunnen nuttige dingen zijn. Koelkasten bieden een goede analogie, zei Whitelam. Terwijl het systeem draait, blijft het voedsel binnenin koud – het gewenste resultaat – ook al wordt de achterkant van de koelkast heet als gevolg van het werk van de motor van de koelkast.
In de simulaties van Whitelam kan het machine learning-protocol worden gezien als de demon. Tijdens het optimalisatieproces zet het informatie uit het gemodelleerde systeem om in energie als warmte.
De demon loslaten op een systeem op nanoschaal
In één simulatie optimaliseerde Whitelam het proces van het slepen van een kraal op nanoschaal door water. Hij modelleerde een zogenaamde optische val waarin laserstralen, die werken als een pincet van licht, een kraal kunnen vasthouden en verplaatsen.
“De naam van het spel is: ga van hier naar daar met zo min mogelijk werk aan het systeem”, zei Whitelam. De kraal schudt onder natuurlijke fluctuaties, de zogenaamde Brownse beweging, terwijl watermoleculen het bombarderen. Whitelam toonde aan dat als deze fluctuaties kunnen worden gemeten, het verplaatsen van de kraal dan op het meest energiezuinige moment kan worden gedaan.
“Hier laten we zien dat we een demon uit een neuraal netwerk kunnen trainen om iets te doen dat lijkt op het gedachte-experiment van Maxwell, maar dan met een optische valstrik,” zei hij.
Verkoelende computers
Whitelam breidde het idee uit naar micro-elektronica en berekeningen. Hij gebruikte het machine learning-protocol om het omdraaien van de status van een nanomagnetische bit tussen 0 en 1 te simuleren, wat een basisbewerking is voor het wissen/kopiëren van informatie in computers.
“Doe dit nog een keer, en nog een keer. Uiteindelijk zal je demon ‘leren’ hoe hij het bit moet omdraaien om warmte uit de omgeving te absorberen,” zei hij. Hij komt terug op de koelkastanalogie. “Je zou een computer kunnen maken die tijdens het draaien afkoelt, waarbij de warmte ergens anders in je datacenter wordt afgegeven.”
Whitelam zei dat de simulaties als een testbed zijn voor het begrijpen van concepten en ideeën. “En hier laat het idee gewoon zien dat je deze protocollen kunt uitvoeren, ofwel met weinig energiekosten, ofwel energie die wordt opgezogen ten koste van ergens anders heen, met behulp van metingen die van toepassing zouden kunnen zijn in een real-life experiment,” zei hij.
Meer informatie:
Stephen Whitelam, Demon in the Machine: Leren om werk te extraheren en entropie te absorberen uit fluctuerende nanosystemen, Fysieke beoordeling X (2023). DOI: 10.1103/PhysRevX.13.021005
Tijdschrift informatie:
Fysieke beoordeling X
Geleverd door Lawrence Berkeley National Laboratory