向类脑计算迈进：节能与效能并重 新材料在神经拟态计算中的潜力

在人工智能和计算技术领域，追求更高效、节能的计算方法一直是研究的重点。传统的计算方法虽然在处理复杂任务方面取得了显著成就，但其能源消耗始终是一个难以克服的挑战。尤其是在处理大规模数据和复杂机器学习任务时，这些问题更是凸显。因此，科学家们一直在寻找新的方法，以模仿人类大脑的高效能源利用和强大的计算能力。

一项新的研究发现，利用一种名为手性磁体的材料作为计算介质可以减少能源消耗，并实现类似大脑的计算方式。这项研究由英国伦敦大学学院和伦敦帝国理工学院的科学家小组进行，在《自然·材料》杂志上发表。通过施加外部磁场和改变温度，可以调整这些材料的物理特性以适应不同的机器学习任务。

传统计算方式存在能源浪费和热量产生的问题，因为它需要独立的数据存储和处理单元，并且需要频繁地在两者之间转换信息。这对于机器学习来说是一个严重的问题，因为训练一个大型人工智能模型需要消耗大量的能源，产生的二氧化碳也相当可观。

物理储层计算旨在消除对不同内存和处理单元的需求，从而促进更有效的数据处理方式。但迄今为止，这种计算方法受到限制，因为材料的物理特性可能在某些计算任务中表现出色，但在其他任务中表现不佳。这项研究使我们更接近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。它不仅可以显著减少能源消耗，还可以调整计算机的特性以在各种任务中达到最佳性能。

研究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下的能量吸收情况。他们发现手性磁体在不同的磁相中表现出色，适合不同类型的计算任务。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。而在圆锥形阶段，虽然几乎没有记忆能力，但其非线性特性非常适合转换任务和分类。

研究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的任务需求。目前已经取得了良好的结果，展示了直接定制神经形态计算的潜力。

物理储层计算是一种低功耗高速处理时间序列信号的计算方式。人类大脑处理复杂信息的能量消耗远低于普通计算机。这项研究利用手性磁体和环境调节来实现类似大脑的计算方式，既节能又具备优秀的计算能力。新研究有望让类脑计算加速迈向现实。