Data utgör grunden för framtiden, men dagens datalagringsenheter kräver betydande energiförbrukning, vilket ökar deras klimatpåverkan. Ett nytt forskningsprojekt syftar till att kombinera magnetism och artificiell intelligens för att utveckla moderna och miljövänliga datalagringsenheter med låg energiförbrukning. Finansierat av WASP och WISE, bedrivs detta projekt i samarbete mellan Örebro universitet och Uppsala universitet.
Genom att använda magnetiska "skyrmioner" strävar forskarna efter att minska energiförbrukningen i datalagringsenheter. För att uppnå detta krävs ytterligare forskning inom magnetism och AI. Forskningsprojektet "Explainable machine learning for magnetic interactions extraction", ledd av Stephanie Lowry från Örebro universitet och Maryna Pankratova från Uppsala universitet, fokuserar på att utforska detta område.
Under de senaste åren har forskare framgångsrikt skapat magnetiska "skyrmioner", som potentiellt kan användas för datalagring för att göra lagringen mer energieffektiv och miljövänlig. För att lyckas med detta måste emellertid olika magnetiska parametrar mätas och finjusteras noggrant.
Det nya forskningsprojektet kommer att använda maskininlärning för att extrahera magnetiska interaktioner och bidra till utvecklingen av maskininlärningstekniker specifikt för beräkningsfysik. Finansierat av WASP och WISE, kommer detta samarbetsprojekt mellan Örebro universitet och Uppsala universitet att bidra till både materialvetenskap och artificiell intelligens.
Stephanie Lowry, en forskare i datavetenskap vid Örebro universitet, uttrycker sin entusiasm över projektet och betonar att målet inte bara är att tillämpa kända AI-tekniker på ett nytt område utan också att inspirera till ny forskning och tekniker inom AI.
Forskningsledningen kommer att delas av Stephanie Lowry och Maryna Pankratova, forskare i materialteori vid Uppsala universitet. Pankratova framhåller att den största utmaningen är att anpassa sig till nya och komplexa dataformer för att välja de mest lämpliga algoritmerna. Slutligen poängterar Lowry att maskininlärning inte bara handlar om data, utan även om förståelsen för de underliggande egenskaperna hos datan som avgör vilka tekniker som bör tillämpas.