连接的磁性斯格明子作为受大脑启发的存储计算的计算介质的艺术渲染图。图片来源：奥斯卡·李博士
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，距离现实又近了一步。在《自然·材料》杂志上发表的这项新研究中，英国伦敦大学学院和伦敦帝国理工学院小组使用手性（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，可调整这些材料的物理特性以适应不同的机器学习任务。
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。但这种计算方法迄今应用受限，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。而今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。
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℃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，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。
团队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。
物理储层计算，可以低功耗对时间序列信号进行高速处理，简单理解，就是一种更省资源的计算方式。计算机的一大硬伤，就是耗能。人类大脑处理如此多纷繁复杂的信息，但一天消耗的能量折算成瓦特，还不到一台普通电脑的十分之一。如何在降低能耗的同时保持优秀的计算能力？本文用手性磁体和环境调节来完成这一任务。在不同温度下，磁体表现出不同磁相，仿佛是不同的分身，能够优秀地执行不同计算任务，实现节能和算力兼得。