扭曲磁铁使类脑计算更具适应性
得益于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，一种利用材料的内在物理特性来大幅减少能源使用的类脑计算形式现在离现实又近了一步。
在《自然材料》杂志上发表的这项新研究中，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，可以调整这些材料的物理特性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迄今为止由于缺乏可重新配置性而受到限制。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，但在其他计算任务中却表现不佳。
在《自然材料》杂志上发表的这项新研究中，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，可以调整这些材料的物理特性以适应不同的机器学习任务。
该论文的主要作者 Oscar Lee 博士(伦敦大学学院伦敦纳米技术中心和伦敦大学学院电子与电气工程系)表示：“这项工作使我们更接近于实现物理储存库的全部潜力，从而创造出不需要计算机的计算机。”不仅需要显着减少的能量，而且还可以调整其计算特性，以在各种任务中最佳地执行，就像我们的大脑一样。
“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。部分原因是它具有独立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转换，从而浪费能源并产生热量。这对于机器学习来说尤其是一个问题，因为机器学习需要大量数据集进行处理。训练一个大型人工智能模型可以产生数百吨二氧化碳。
物理储层计算是几种神经形态(或大脑启发)方法之一，旨在消除对不同内存和处理单元的需求，从而促进更有效的数据处理方式。除了作为传统计算的更可持续的替代方案之外，物理储层计算还可以集成到现有电路中，以提供节能的附加功能。
在这项涉及日本和德国研究人员的研究中，研究小组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到室温范围内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。在斯格明子阶段，磁化粒子以类似漩涡的方式旋转，具有强大的记忆能力，适合预测任务。与此同时，圆锥形阶段几乎没有记忆，但它的非线性非常适合转换任务和分类——例如，识别动物是猫还是狗。
伦敦帝国理工学院的合著者 Jack Gartside 博士表示：“我们在伦敦大学学院的 Hidekazu Kurebayashi 教授小组的合作者最近发现了一组有前途的材料，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。伦敦帝国理工学院团队(由 Gartside 博士、Kilian Stenning 和 Will Branford 教授领导)与主要作者 Oscar Lee 博士合作，设计了一种神经拟态计算架构，利用复杂的材料特性来满足各种具有挑战性的任务的需求。这取得了很好的结果，并展示了重新配置物理阶段如何可以直接定制神经形态计算性能。”
这项工作还涉及东京大学和慕尼黑工业大学的研究人员，并得到了 Leverhulme Trust、工程和物理科学研究委员会 (EPSRC)、伦敦帝国理工学院校长前沿研究卓越基金、英国皇家工程院、科学研究院的支持和技术机构、Katsu 研究鼓励奖、旭硝子基金会和 DFG(德国研究基金会)。
版权声明：本文由用户上传，如有侵权请联系删除！