UCL和伦敦帝国学院的研究人员通过任务自适应储层计算揭示了高能效的机器学习技术
UCL和伦敦帝国学院的研究人员通过任务自适应储层计算揭示出高能效机器学习技术的研究成果
传统计算机消耗大量能源，占世界电力需求的约10％。这是因为传统计算机依赖于不同的单元来处理和存储数据，需要持续在这两个单元之间进行调度。这个过程产生热量，并浪费能源。
受人脑结构和运作方式启发的神经形态计算是传统计算机能效问题的潜在解决方案。它模仿人脑的结构和运作方式，可以用少量能源进行复杂计算。
使用物理储水池是神经形态计算的基本原理。非线性动力学材料，或者那些对输入中的微小变化非常敏感的行为材料，被称为物理储水池。它们可以在物理状态中编码信息，非常适合进行计算。
最近的一项研究中，一群国际学者创建了一种新型的物理储水计算形式，将手性磁体用作计算的VoAGI。呈螺旋状结构或手性磁体的材料具有独特的磁性性质。科学家们发现，他们可以通过改变温度并施加外部磁场来调节手性磁体的磁相。由于这一点，他们可以修改材料的物理特性以适应各种机器学习应用。例如，发现磁化粒子以漩涡状模式旋转的天旋相具有强大的记忆性，非常适合预测应用。另一方面，发现圆锥相具有最小的记忆，但它的非线性使其非常适合分类和转换任务。
与传统神经形态计算方法相比，这种新型物理储水计算方法具有几个优点。首先，它更节能，因为它不需要外部电子设备。其次，它可以调整到更广泛的机器学习任务。
随着这种新型的受脑启发的计算机解决方案的问世，寻找更节能的计算机解决方案已取得进展。通过进行更多的研究，这项技术可能会显著改变我们的计算方式。
