英國倫敦大學學院、倫敦帝國理工學院領導的國際合作研究表明,利用手性(扭曲)磁體的內在物理特性,可提高機器學習任務適應性,大幅減少類腦計算的能源使用。研究結果發表在《自然·材料》雜志上。
傳統計算由于獨立的數據存儲和處理單元需要消耗大量電力。機器學習利用物理儲層計算方法,消除對獨特內存和處理單元的需求,促進更有效的數據處理方式,成為傳統計算更可持續的替代方案。但該方法的缺陷在于缺乏可重新配置性,執行不同計算任務時效果存在差異,這是由材料物理特性導致的。
科研團隊使用手性(扭曲)磁體作為計算介質,利用矢量網絡分析儀確定其在不同磁場強度和-269°C 到室溫范圍內溫度下的能量吸收。研究發現,通過施加外部磁場和改變溫度,可以調整這些材料的物理特性以適應不同的機器學習任務,不同磁相對不同類型計算任務具有像人腦一樣好的執行效果。
(摘自科技部:https://www.most.gov.cn/gnwkjdt/202312/t20231213_189132.html)