Google ใช้ Minecraft เพื่อสอนกฎควอนตัมฟิสิกส์
Google คิดว่ามันสามารถทำให้เด็ก ๆ ติดใจกับโลกที่แปลกประหลาดของฟิสิกส์ควอนตัมตั้งแต่เนิ่นๆ โดยใช้เกมยอดนิยม Minecraft ยักษ์ใหญ่อินเทอร์เน็ตได้เปิดตัว ม็อดเกมที่ออกแบบมาเพื่อช่วยให้ ผู้เล่นMinecraftหลายล้าน คนคุ้นเคยกับความแปลกประหลาดของกฎฟิสิกส์ควอนตัมที่ดูเหมือนจะท้าทายความเป็นจริง
ม็อดเกมใหม่ที่เรียกว่า qCraftช่วยให้ ผู้เล่นMinecraftสามารถยุ่งเกี่ยวกับกฎควอนตัม เช่น การซ้อน การพัวพัน และการพึ่งพาอาศัยจากการสังเกต กลเม็ดเหล่านี้จะช่วยให้ผู้เล่นสร้างควอนตัมเทเลพอร์เตอร์ สร้างบล็อกMinecraft ที่พัวพันกันซึ่งทั้งคู่ได้รับผลกระทบพร้อมกันโดยการเปลี่ยนคุณสมบัติของบล็อกเพียงบล็อกเดียว และสร้างสะพานชักโครกของปราสาทที่หายไปเมื่อมองจากมุมมองที่ต่างกัน
“แน่นอน qCraft ไม่ใช่การจำลองทางวิทยาศาสตร์ที่สมบูรณ์แบบ แต่เป็นวิธีที่สนุกสำหรับผู้เล่นที่จะได้สัมผัสกับกลศาสตร์ควอนตัมบางส่วนนอกเหนือจากการทดลองทางความคิดหรือตัวอย่างตำราที่หนาแน่น” ทีมงาน Google Quantum Artificial Intelligence (AI) Lab กล่าว บล็อกโพสต์
เกม Minecraftประสบความสำเร็จอย่างล้นหลามในฐานะเกมอินดี้ที่มียอดขายมากกว่า 12 ล้านครั้งสำหรับเวอร์ชั่น PC ของเกมและมียอดขายรวม 33 ล้านรายการในเวอร์ชั่น PC, XBox และเวอร์ชั่นมือถือ การออกแบบสร้างโลกแบบบล็อกของเกม—เล่นได้ทั้งเด็กและผู้ใหญ่ทุกวัย—ทำให้ดูเหมือนเหมาะที่จะเป็นจุดตัดระหว่างการศึกษาเสมือนจริงและสนามเด็กเล่นเสมือนจริง
Minecraft ผู้เล่นสามารถ ดาวน์โหลด mod qCraft สำหรับ Windows หรือ Mac เป็นส่วนหนึ่งของการรวมกลุ่มหลายสมัยนิยมหรืออ่านข้อมูลเกี่ยวกับความบ้าคลั่งของกลศาสตร์ควอนตั ณ ที่ วิกิพีเดีย qCraft ตัวดัดแปลงยังเข้ากันได้กับ เกมMinecraftEdu ที่ได้รับการสนับสนุนอย่างเป็นทางการซึ่ง มีไว้สำหรับใช้ในห้องเรียน
Google ร่วมมือกับ MinecraftEdu และสถาบันข้อมูลควอนตัมและสสารของ Caltech เพื่อสร้างม็อดเกม พวกเขาตัดสินใจร่วมกันสร้างม็อดที่แสดงกฎควอนตัมผ่านการเปรียบเทียบแบบหลวมๆ แทนที่จะใช้ความถูกต้องในระดับสูง
“แผนสำหรับอนาคตคือการอัปโหลดโพสต์และแหล่งข้อมูลด้านการศึกษาที่หลากหลายบน qcraft.org ซึ่งพูดคุยเกี่ยวกับวิทยาศาสตร์ที่อยู่เบื้องหลังแนวคิดระดับสูงที่นำเสนอภายในเกม ในระดับที่เด็กมัธยมต้นสามารถชื่นชมได้” Spyridon Michalakis กล่าว วิจัยหลังปริญญาเอกที่สถาบันคาลเทคสำหรับข้อมูลควอนตัมและเรื่องในบล็อกโพสต์
ตัวดัดแปลง qCraft เป็นส่วนหนึ่งของความสนใจในวงกว้างของ Google ในการคำนวณควอนตัม ซึ่งเป็นสาขาที่มีจุดมุ่งหมายเพื่อควบคุมกลศาสตร์ควอนตัมเพื่อแก้ปัญหาการคำนวณที่ซับซ้อนบางอย่างได้เร็วกว่าคอมพิวเตอร์ทั่วไป Google ก่อตั้ง Quantum AI Lab ร่วมกับการซื้อเครื่องจักรจาก D-Waveซึ่งเป็นบริษัทในแคนาดาที่อ้างว่าได้สร้างและขายคอมพิวเตอร์ควอนตัมเชิงพาณิชย์เครื่องแรก
คุณเห็นไหม การใช้งานเครือข่ายเหล่านี้มักจะขึ้นอยู่กับความเร็วของฮาร์ดแวร์ที่ทำการคูณเมทริกซ์ ซึ่งใช้เพื่อกำหนดผลลัพธ์ของเซลล์ประสาทเทียมแต่ละเซลล์ ซึ่งก็คือ “การกระตุ้น” สำหรับชุดของค่าอินพุตที่กำหนด สิ่งนี้เกี่ยวข้องกับการคูณเมทริกซ์เนื่องจากแต่ละค่าที่ป้อนไปยังเซลล์ประสาทที่กำหนดจะถูกคูณด้วยพารามิเตอร์น้ำหนักที่สอดคล้องกันก่อนที่จะรวมเข้าด้วยกัน การคูณและการรวมนี้เป็นการปรับพื้นฐานในการคูณเมทริกซ์
นักวิจัยของมหาวิทยาลัยไรซ์ ก็เหมือนกับคนอื่นๆ ก่อนหน้าพวกเขา ตระหนักว่าเซลล์ประสาทจำนวนมากในเลเยอร์ที่กำหนดของโครงข่ายประสาทเทียมนั้นมีการกระตุ้นเพียงเล็กน้อย ซึ่งหมายความว่าผลลัพธ์ของพวกมันจะไม่ส่งผลต่อสิ่งที่ได้รับการคำนวณโดยเลเยอร์ที่ตามมา ดังนั้น ถ้าคุณรู้ว่าเซลล์ประสาทเหล่านั้นคือเซลล์ใด คุณก็สามารถเพิกเฉยได้
อย่างไรก็ตาม อาจดูเหมือนว่าวิธีเดียวที่จะรู้ว่าเซลล์ประสาทใดในเลเยอร์ที่ไม่ถูกกระตุ้น อันดับแรกคือทำการคูณเมทริกซ์ทั้งหมดสำหรับเลเยอร์นั้นก่อน นักวิจัยข้าว นำโดย Anshumali Shrivastava ตระหนักดีว่าที่จริงแล้ว คุณสามารถตัดสินใจได้อย่างมีประสิทธิภาพมากขึ้นโดยพิจารณาปัญหาที่แตกต่างกันมาก “เราถือว่าสิ่งนี้เป็นปัญหาในการค้นหา” Shrivastava กล่าว
นั่นคือแทนที่จะทำการคูณเมทริกซ์เหล่านั้นเพื่อดูว่าเซลล์ประสาทใดทำงานสำหรับอินพุตที่กำหนด เพียงแค่ค้นหาว่าเซลล์ใดอยู่ในฐานข้อมูล ข้อดีของการจัดการปัญหาด้วยวิธีนี้คือ คุณสามารถใช้กลยุทธ์ทั่วไปที่นักวิทยาศาสตร์คอมพิวเตอร์ได้พัฒนามาอย่างยาวนานเพื่อเร่งการค้นหาฐานข้อมูล: การแฮช
การแฮชช่วยให้คุณตรวจสอบได้อย่างรวดเร็วว่ามีบางอย่างอยู่ในตารางฐานข้อมูลหรือไม่ โดยไม่ต้องดูแต่ละรายการตามลำดับตามลำดับ คุณใช้ฟังก์ชันแฮชที่คำนวณได้ง่ายแทนค่าที่น่าสนใจ ซึ่งชี้ไปยังตำแหน่งที่จะเก็บค่านั้นไว้ในฐานข้อมูล จากนั้นคุณสามารถตรวจสอบที่หนึ่งเพื่อดูว่ามีหรือไม่
นักวิจัยข้าวทำสิ่งที่คล้ายคลึงกันสำหรับการคำนวณโครงข่ายประสาทเทียม ตัวอย่างสมมุติฐานช่วยให้เห็นภาพแนวทางของพวกเขา:
สมมติว่าคุณสร้างโครงข่ายประสาทเทียมเพื่อจดจำตัวเลขที่เขียนด้วยลายมือ สมมติว่าอินพุตเป็นค่าพิกเซลระดับสีเทาของอาร์เรย์ 16 x 16 ดังนั้นตัวเลขทั้งหมด 256 ตัว ลองนึกภาพว่าอินพุตเหล่านั้นป้อนเข้าไปในเลเยอร์เดียวที่ซ่อนอยู่ของ , โอ้ 512 เซลล์ประสาท ซึ่งการกระตุ้นจะป้อนเข้าสู่เลเยอร์เอาต์พุตของ 10 เซลล์ประสาท หนึ่งชุดสำหรับตัวเลขแต่ละหลักที่เป็นไปได้
การฝึกอบรมเครือข่ายนี้เป็นกระบวนการที่ซับซ้อน แต่สำหรับตอนนี้ เรามาดูกันดีกว่าว่าเราได้ปรับน้ำหนักของเซลล์ประสาทแต่ละเซลล์แล้ว เพื่อให้เครือข่ายนี้ทำงานได้อย่างยอดเยี่ยมในการจดจำตัวเลขที่เขียนด้วยลายมือ เมื่อมีการแสดงตัวเลขที่อ่านได้ชัดเจนเป็นอินพุต เซลล์ประสาทเอาต์พุตตัวใดตัวหนึ่ง (หมายเลขที่ตรงกับตัวเลขที่เขียน) จะมีการเปิดใช้งานใกล้กับ 1 เซลล์เอาต์พุตอีกเก้าเซลล์จะมีการเปิดใช้งานใกล้กับ 0 โดยปกติ การทำงานของเครือข่ายนี้ ต้องการการคูณเมทริกซ์หนึ่งครั้งสำหรับแต่ละเซลล์ประสาทที่ซ่อนอยู่ 512 เซลล์ บวกหนึ่งเซลล์สำหรับเซลล์ประสาทเอาต์พุตแต่ละเซลล์—ดังนั้นจึงมีการคูณจำนวนมาก
นักวิจัยข้าวจะจัดการกับเรื่องนี้แตกต่างกัน ขั้นตอนแรกคือการแฮชน้ำหนักของเซลล์ประสาท 512 เซลล์ในเลเยอร์ที่ซ่อนอยู่โดยใช้สิ่งที่เรียกว่า “การแฮชที่มีความละเอียดอ่อนในที่” ซึ่งมีคุณสมบัติที่อินพุตที่คล้ายกันสร้างค่าแฮชที่คล้ายคลึงกัน จากนั้นพวกเขาสามารถจัดกลุ่มเซลล์ประสาทที่มีแฮชคล้าย ๆ กัน ซึ่งหมายความว่าเซลล์ประสาทเหล่านี้ต้องมีชุดน้ำหนักที่คล้ายคลึงกัน แต่ละกลุ่มจะถูกเก็บไว้ที่ไหนสักแห่งในตารางฐานข้อมูลที่กำหนดโดยแฮชของค่าอินพุตที่จะทำให้เซลล์ประสาทเฉพาะเหล่านั้นถูกกระตุ้น
เมื่อแฮชทั้งหมดเสร็จสิ้น จะเป็นเรื่องง่ายที่จะบอกได้ว่าเซลล์ประสาทที่ซ่อนไว้เหล่านี้ตัวใดจะถูกเปิดใช้งานโดยอินพุตใหม่ที่นำเสนอในเครือข่าย เพียงเรียกใช้ค่าอินพุต 256 ค่าผ่านฟังก์ชันแฮชที่คำนวณได้ง่าย และใช้ผลลัพธ์เพื่อค้นหาในฐานข้อมูลที่เซลล์ประสาทจะเปิดใช้งาน ด้วยวิธีนี้ คุณจะต้องคำนวณเฉพาะค่าการเปิดใช้งานของเซลล์ประสาทไม่กี่เซลล์ที่นับเท่านั้น คุณไม่จำเป็นต้องคำนวณการกระตุ้นของเซลล์ประสาทอื่นๆ ทั้งหมดในเลเยอร์เพียงเพื่อจะพบว่าเซลล์เหล่านี้ไม่ได้มีส่วนสนับสนุน
การใช้อินพุตกับโครงข่ายประสาทเทียมนี้เปรียบเสมือนการส่งแบบสอบถามไปยังฐานข้อมูล ซึ่งระบุว่า “ค้นหาเซลล์ประสาททั้งหมดที่หากคำนวณได้จริง ก็จะทำงานได้” เนื่องจากคุณกำลังค้นหาข้อมูลด้วยแฮช คุณจึงได้รับคำตอบอย่างรวดเร็ว จากนั้นคุณสามารถคำนวณการเปิดใช้งานสำหรับเซลล์ประสาทจำนวนน้อยที่มีความสำคัญจริงๆ
งานวิจัยของ Rice ได้ใช้เทคนิคนี้ ซึ่งเรียกว่า SLIDE (สำหรับ Sub-LInear Deep learning Engine) สำหรับการฝึกอบรมโครงข่ายประสาทเทียม ซึ่งเป็นกระบวนการที่ยากต่อการคำนวณมากกว่าการอนุมาน จากนั้นจึงเปรียบเทียบประสิทธิภาพของอัลกอริธึมการฝึกอบรมกับวิธีการฝึกอบรมเครือข่ายประสาทเทียมแบบดั้งเดิมกับหน่วยประมวลผลกราฟิกอันทรงพลัง ในกรณีนี้คือ GPU Nvidia V100 สิ่งที่พวกเขารายงานนั้นค่อนข้างน่าทึ่ง: “ผลลัพธ์ของเราแสดงให้เห็นว่า SLIDE บน CPU ขนาดเล็กสามารถสั่งซื้อของขนาดได้เร็วกว่าในเวลานาฬิกาทั่วไป มากกว่าทางเลือกที่ดีที่สุดด้วยตัวเลือกฮาร์ดแวร์ที่ดีที่สุด ในทุกความแม่นยำ”
ยังเร็วเกินไปที่จะทราบว่าผลลัพธ์เหล่านี้ (ซึ่งยังไม่ได้รับการตรวจสอบโดยเพื่อน) จะดีพอที่จะให้ผู้ผลิตชิปคิดใหม่เกี่ยวกับวิธีออกแบบฮาร์ดแวร์เฉพาะสำหรับการเรียนรู้เชิงลึกหรือไม่ แต่มันเน้นย้ำถึงอันตรายของการใช้ฮาร์ดแวร์บางประเภทเมื่อเป็นไปได้เสมอว่าอัลกอริธึมใหม่และดีกว่าสำหรับการคำนวณโครงข่ายประสาทเทียมจะมาพร้อม
การเข้ารหัสฟังดูเรียบง่ายเป็นแกนหลัก: ข้อความที่เข้ารหัสไม่สามารถอ่านได้เว้นแต่คุณจะได้รับอนุญาตด้วยคีย์ในการถอดรหัส แต่ด้วยการโจมตีแบบลับๆ ล่อๆ ที่เรียกว่าside-channel sniffingผู้ไม่หวังดีที่ไม่ได้รับอนุญาตสามารถค้นหากุญแจได้โดยการวัดการใช้พลังงานของเอ็นจิ้นการเข้ารหัสหรือเอาท์พุตแม่เหล็กไฟฟ้า และให้คอมพิวเตอร์ทำการคำนวณเล็กน้อย
ตอนนี้ ทีมงานที่ได้รับทุนสนับสนุนจาก Intel ที่สถาบันเทคโนโลยีจอร์เจียได้สร้างวงจรที่มีความต้านทานเพิ่มขึ้นอย่างมากต่อการโจมตีด้วยการดมกลิ่นด้านข้าง
วงจรปิดบังการปล่อยคลื่นแม่เหล็กไฟฟ้าและพลังงานโดยแนะนำสัญญาณรบกวนแบบสุ่มเข้าไปในสัญญาณและรบกวนจังหวะเวลาของเอาต์พุต และไม่เหมือนกับวิธีการปิดบังแบบอื่น โดยมีค่าใช้จ่ายด้านประสิทธิภาพเพียง 10 เปอร์เซ็นต์เท่านั้น
Saibal Mukhopadhyayศาสตราจารย์จากโรงเรียนวิศวกรรมไฟฟ้าและคอมพิวเตอร์ของ Georgia Tech กล่าวว่า “การดมกลิ่นด้านข้างเป็นปัญหาที่มีมาช้านาน และเรารู้อยู่เสมอว่าในทางทฤษฎีแล้ว คุณสามารถทำให้ชิปทำงานซ้ำซ้อน 1,000 งานเพื่อปกปิดสัญญาณได้และผู้เขียนร่วมของบทความเดือนพฤศจิกายน [ต้องลงชื่อสมัครใช้บัญชี] ซึ่งอธิบายการศึกษานี้ “แต่ [ก่อนหน้านี้นั่นไม่สมจริง] เว้นแต่คุณจะโอเคกับแบตเตอรี่หมดใน 15 นาที นั่นคือจุดที่เราสนใจ เพราะในฐานะนักออกแบบวงจร เรารู้วิธีที่จะทำให้สิ่งต่าง ๆ ใช้งานได้นานขึ้น”
ทีมของ Mukhopadhyay เริ่มต้นการเดินทางนี้ในปลายปี 2015 ขณะพวกเขากำลังหาวิธีลดความต้องการพลังงานของวงจร Mukhopadhyay ตั้งข้อสังเกตว่างานนั้นไม่มีส่วนเกี่ยวข้องกับการดมกลิ่น แต่เขาและนักเรียนของเขาตระหนักว่าการลดกำลังไฟฟ้าอาจเป็นองค์ประกอบสำคัญของการแก้ปัญหานั้น
ในอีกไม่กี่ปีข้างหน้า พวกเขาทำงานในวงจร ซึ่งใช้รุ่นดิจิตอลทั้งหมดของตัวควบคุมแรงดันไฟฟ้าแบบแอนะล็อก low-dropout แบบดั้งเดิมเพื่อขับเคลื่อนเครื่องยนต์เข้ารหัส 128 บิต เครื่องยนต์ที่พวกเขาใช้นั้นส่งเสียงเข้าไปในการปล่อยของชิปและรบกวนจังหวะเวลาของเอาต์พุต ผลลัพธ์: การดมกลิ่นคีย์เข้ารหัสสำหรับวงจรประเภทนี้จะโจมตีผู้โจมตีได้มากถึง 3,579 เท่าตราบเท่าที่ใช้กับวงจรมาตรฐาน ซึ่งอาจถูกทำลายได้ภายในไม่กี่นาทีหรือไม่กี่วินาทีในบางกรณี
Mukhopadhyay, IEEE Fellow กล่าวว่า “[คีย์เข้ารหัส] ใดๆ ก็ตามอาจเสียหายได้ในที่สุดหากคุณใช้คอมพิวเตอร์ทำงานอยู่นานเพียงพอ แต่สิ่งสำคัญคือต้องใช้เวลานานมากจนไม่คุ้มค่า” “การใช้เวลา 20 นาทีแทนที่จะเป็นหนึ่งนาที ไม่ใช่เรื่องน่าตื่นเต้นอะไร แต่เมื่อคุณสามารถไปได้หลายวันหรือหนึ่งสัปดาห์ มันก็น่าสนใจ”
ทีมงานได้ตีพิมพ์บทความฉบับแรกเกี่ยวกับงานในปี 2560 “ซึ่งนับเป็นครั้งแรก [เราสามารถแสดงให้เห็นถึงการต่อต้านการดมกลิ่นช่องด้านข้าง] ในซิลิคอน…โดยใช้ตัวควบคุมอุปนัย ซึ่งเป็นส่วนประกอบที่ชิปมีอยู่แล้ว” Mukhopadhyay กล่าว ณ จุดนั้น เขาและเพื่อนร่วมงานรู้ดีว่า “เราสามารถทำให้ใครบางคนขโมยคีย์การเข้ารหัสได้ยากจริงๆ”
ทีมงานได้เผยแพร่ผลงานเพิ่มเติมในเดือนพฤศจิกายน 2018 และนำเสนอในการประชุม IEEE International Solid State Circuit Conference (ISSCC) เมื่อเดือนที่แล้ว Intel ให้ทุนสนับสนุนการวิจัยและเป็น “ผู้ทำงานร่วมกันอย่างใกล้ชิด” Mukhopadhyay กล่าว โดยบริษัทได้ไปเยี่ยมชมวิทยาเขตบ่อยครั้ง และนักศึกษาก็เข้ามาเยี่ยมชม Intel
Mukhopadhyay กล่าวว่า “มีหลายสิ่งที่เราสามารถทำได้ที่มหาวิทยาลัยในห้องทดลอง แต่คุณต้องลดช่องว่างลงเมื่อคุณพูดถึงการสร้างผลิตภัณฑ์จริง”
เลนส์ในโลกแห่งความเป็นจริงนั้นเป็นส่วนสำคัญของแนวทางตั้งแต่ต้น Mukhopadhyay กล่าวว่าเขารู้สึกตื่นเต้นมากที่สุดที่โซลูชันนี้เกี่ยวข้องกับการ “นำ” ตัวควบคุมที่มีอยู่ในวงจรมาใช้ใหม่
Mukhopadhyay กล่าวว่า “พลังงานและความปลอดภัยต้องถือเป็นปัญหาคู่กัน เพราะคุณต้องคำนึงถึงความปลอดภัยในบริบทของทั้งระบบมากกว่าที่จะเป็นปัญหาอิสระ” Mukhopadhyay กล่าว “คุณสามารถล็อคชิปไว้ในห้องและทำให้แน่ใจว่าไม่มีใครเข้าใกล้มัน หรือคุณสามารถเพิ่มเสียงรบกวนจากงานซ้ำซ้อน 1,000 รายการและฆ่าแบตเตอรี่ใน 15 นาที ทั้งสองจะรักษาความปลอดภัย แต่มันไม่สมจริงในโลกแห่งความเป็นจริง”
ในขณะที่ยังมีการทดสอบเพิ่มเติมที่ต้องทำเพื่อให้แน่ใจว่าการปิดบังสัญญาณนั้นใช้ได้กับการเข้ารหัสและฮาร์ดแวร์ประเภทต่างๆ แต่ Mukhopadhyay มองโลกในแง่ดี
“ถ้าเราสามารถรักษาความปลอดภัยได้โดยใช้พลังงานและต้นทุนต่ำ” เขากล่าว “เราคาดว่าสิ่งนี้จะส่งผลต่อทุกอย่างตั้งแต่เซ็นเซอร์ไปจนถึงคอมพิวเตอร์ประสิทธิภาพสูง”
ปลายปีที่แล้ว Google ได้รับฮาร์ดดิสก์ไดรฟ์ 6 ตัวจากซีเกท: ใหม่เอี่ยม ประหยัดสำหรับแม่เหล็กหายาก แม่เหล็กใช้เวลาหนึ่งชีวิตในศูนย์ข้อมูลของ Google แล้วและกำลังมุ่งหน้าสู่ชีวิตที่สอง
การทดลองพิสูจน์แนวคิดเป็นหนึ่งในห้าโครงการภายใต้การริเริ่มระดับโลกเพื่อตรวจสอบความเป็นไปได้ในการกู้คืนและการนำวัสดุกลับมาใช้ใหม่จากฮาร์ดดิสก์ไดรฟ์ที่เลิกใช้แล้ว (HDD) ตัวโปรแกรมเองเป็นความพยายามในระยะยาวที่จัดขึ้นโดย นานาชาติอิเล็กทรอนิกส์การผลิตความคิดริเริ่ม (iNEMI) กับทีมงานโครงการจาก กระทรวงพลังงานของวัสดุที่สำคัญสถาบันสหรัฐ ผลลัพธ์จากทั้ง 5 โครงการจะสรุปไว้ในรายงานฉบับต่อไป
จนถึงตอนนี้ ผลลัพธ์ในระยะแรกเป็นกำลังใจ “คุณสามารถเก็บเกี่ยว [แม่เหล็ก] คุณสามารถทำมันได้อย่างหมดจด คุณสามารถประกอบกลับเข้าไปใหม่ และไดรฟ์ก็จะทำงานได้” Mark Schafferที่ปรึกษาที่ทำงานกับ iNEMI กล่าว
การเป็นหุ้นส่วนเติบโตขึ้นจากเป้าหมายที่แตกต่างกันซึ่งเสริมซึ่งกันและกัน หลายปีที่ผ่านมา iNEMI มองหาความยั่งยืนของการผลิตอุปกรณ์อิเล็กทรอนิกส์โดยมุ่งเน้นที่ขยะอิเล็กทรอนิกส์เป็นพิเศษ และเนื่องจากอุปทานของธาตุหายากในปี 2010 ที่ตกต่ำ กระทรวงพลังงานสหรัฐจึงได้เริ่มก่อตั้ง Critical Materials Institute (CMI) เพื่อหาวิธีลดความเสี่ยงด้านอุปทาน