伦敦大学学院和伦敦帝国理工学院研究人员领导的一项新研究表明，一种利用材料固有物理特性大幅减少能源使用的大脑启发计算方式现在离现实又近了一步
在《自然材料》杂志上发表的一项新研究中，一个国际研究小组使用手性（扭曲）磁体作为计算介质，发现通过施加外部磁场和改变温度，这些材料的物理特性可以适应不同的机器学习任务
这种被称为物理储层计算的方法，由于缺乏可重构性，迄今为止一直受到限制。这是因为材料的物理特性可能使其在某些计算任务中表现出色，但在其他任务中则不然
”下一步是确定商业上可行且可扩展的材料和设备架构。“
传统计算消耗大量电力。这在一定程度上是因为它有单独的数据存储和处理单元，这意味着信息必须在两者之间不断地交换，浪费能量并产生热量。这对机器学习来说尤其是一个问题，它需要大量的数据集进行处理。训练一个大型人工智能模型可以产生大量的数据吨二氧化碳的ds
物理储层计算是几种神经形态（或大脑启发）方法之一，旨在消除对不同记忆和处理单元的需求，促进更有效的数据处理方式。除了是传统计算的更可持续的替代方案外，物理储层计算还可以集成到现有电路中，以提供同样节能的附加能力
在这项由日本和德国研究人员参与的研究中，该团队使用矢量网络分析仪来确定手性磁体在不同磁场强度和-269°C至室温的温度下的能量吸收
他们发现手性磁体的不同磁相在不同类型的计算任务中表现出色。在skyrmion阶段，磁化粒子以漩涡状旋转，具有强大的记忆能力，适用于预测任务。与此同时，锥形阶段几乎没有记忆，但它的非线性对于转换任务和分类来说是理想的——例如，识别动物是猫还是狗
合著者之一、伦敦帝国理工学院的Jack Gartside博士说：“我们在伦敦大学学院的合作者Hidekazu Kurebayashi教授小组最近发现了一组很有前途的材料，可以为非常规计算提供动力。这些材料很特别，因为它们可以支持特别丰富和多样的磁性纹理。”
。伦敦帝国理工学院的Oscar Lee团队[由Gartside博士、Kilian Stenning和Will Branford教授领导]设计了一种神经形态计算架构，以利用复杂的材料特性来满足一系列具有挑战性的任务的需求。这给出了很好的结果，并展示了重新配置物理相位如何直接调整神经形态计算性能。“
这项工作还涉及东京大学和慕尼黑工业大学的研究人员
