Maintaining Flipping Activity and Exploring Encoders for Reservoir Computing in Artificial Spin Ice

Abstract

Reservoir Computing er en maskinlæringsparadigme innenfor feltet unconventional computing som utnytter komplekse fysiske system for beregning. Artifical spin ice et fysisk system som har vist seg å være et lovende materiale for å implementere reservoir computing. Artificial spin ice er et system med koblede nanomagneter plassert i en gitterstruktur. Artificial spin ice produserer kompleks 'emergent' atferd gjennom dipol-dipol-interaksjoner mellom nabomagneter. Det er et system som er modent for bruk i beregning. Men, det er imidlertid vanskelig å kontrollere artificial spin ice, og det er gjort lite forskning på hvordan man kan enkode data inn i systemet. I denne oppgaven utforsker jeg hvordan vi kan bygge heuristikker som kontrollerer mengden 'spin flips' i en simulert 10x10 pinwheel artifical spin ice gjennom nøye utvalgte globale magnetfelt. Vi bygger to heuristikker og viser at vi er i stand til å kontrollere mengden spin flips til en viss grad. Heuristikkene er noe lovende, men uforutsigbarheten deres må adresseres. Vi utforsker også en stor mengde artificial spin ice enkodere som er bygget på disse heuristikkene. Vi finner enkodere med nesten perfekt ytelse som betydelig overgår 'compute capacity'-en til tidligere kjente enkodere. Vi finner at 'kernel quality' øker konsekvent når vi øker basen til enkoderene, for hver økning i base fra base 2 til base 32. Vi finner at enkodere med høye baser (16 til 32) og høye aktivitetsmål (60 til 70) konsekvent gir høy compute capacity (140-150). Vi finner indikasjoner på at artificial spin ice kan støtte baser over base 32, og indikasjoner på at vi kan kontrollere 'echo state property'-en til spin is gjennom aktivitetsmålet til enkoderen.

Reservoir computing is a machine learning paradigm within the field of unconventional computing that can be used to exploit complex physical systems for computation. Artificial spin ice is one such physical system that has been shown to be a promising substrate for implementing reservoir computing. Artifical spin ice is a system of coupled nanomagnets arranged in a lattice structure. Artificial spin ice produces complex emergent behaviour through dipole-dipole interactions with neighbouring magnets. It is a system that is ripe for use in computation. However, it is difficult to control artificial spin ice, and little research has been done on how we can encode data into the system. In this thesis I explore how we can build heuristics that control the number of spin flips in a simulated 10x10 pinwheel artificial spin ice through careful selection of global magnetic fields. We build two heuristics and show that we are able to control spin flips to some extent. The heuristics show promise, however their inconsistency needs to be addressed. We also explore a large space of artificial spin ice encoders that are built on these heuristics. We find encoders with close to perfect compute capacity that significantly exceed the compute capacity of previously known encoders. We find that the kernel quality consistently increases when we increase the base of the encoder, in every base increase from base 2 to base 32. We find that encoders with high bases (16 to 32) and high flip targets (60 to 70) consistently give high compute capacities (140-150). We find indications that the spin ice can support bases beyond base 32, and indications that we can control the echo state property of the spin ice through the activity target of the encoder.