据海外科技媒体报道，由英国伦敦大学学院和帝国理工学院的研究人员领导的一项新研究，使人类更接近一种由大脑启发的计算形式，这种计算利用材料内在物理特性来大幅减少能源消耗。
最新研究成果已于近期发表在了《自然材料》杂志上的。该团队使用手性（扭曲）磁铁作为计算介质，并发现通过施加外部磁场和改变温度，可调整这些材料的物理特性以适应不同的机器学习任务。这种方法被称为物理储层计算。
据了解，传统计算消耗大量电力，部分原因是它有独立的数据存储和处理单元，信息必须在两者之间不断地转换，浪费能源并产生热量。这对于机器学习来说是一个严重问题，导致训练一个大型人工智能模型可产生数百吨二氧化碳。
而物理储层计算旨在消除对不同内存和处理单元的需求，促进更有效的数据处理方式。除了作为传统计算的一种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，以提供额外的节能功能。
然而迄今为止，这种计算方法的应用仍然受限，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，但在另一些任务中却表现不佳。最新研究正是在这方面取得了突破。
研究人员表示，“这项研究使人们更接近于实现物理储存库的全部潜力，创造出像人类大脑一样的计算机，不仅显著减少需要的能量，而且还可调整其计算特性，以在各种任务中最佳地执行。”
在最新研究中，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温度（从-269℃到室温）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（skyrmion）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，在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。
然后，研究人员们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任务的需求。目前它取得了很好的结果，展示了可直接定制神经形态计算的可能。
“下一步是确定具有商业可行性和可扩展性的材料和设备架构。”他们补充说。
