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(fā)表在《自然·材料》雜志上。
傳統(tǒng)計算由于獨立的數(shù)據(jù)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(shù)據(jù)處理方式，成為傳統(tǒng)計算更可持續(xù)的替代方案。但該方法的缺陷在于缺乏可重新配置性，執(zhí)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(wǎng)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(fā)現(xiàn)，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(zhí)行效果。
本文摘自國外相關研究報道，文章內容不代表本網(wǎng)站觀點和立場，僅供參考。
