英国伦敦大学学院、伦敦帝国理工学院领导的国际合作研究表明，利用手性（扭曲）磁体的内在物理特性，可提高机器学习任务适应性，大幅减少类脑计算的能源使用。研究结果发表在《自然·材料》杂志上。

　　传统计算由于独立的数据存储和处理单元需要消耗大量电力。机器学习利用物理储层计算方法，消除对独特内存和处理单元的需求，促进更有效的数据处理方式，成为传统计算更可持续的替代方案。但该方法的缺陷在于缺乏可重新配置性，执行不同计算任务时效果存在差异，这是由材料物理特性导致的。

　　科研团队使用手性（扭曲）磁体作为计算介质，利用矢量网络分析仪确定其在不同磁场强度和-269°C到室温范围内温度下的能量吸收。研究发现，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，不同磁相对不同类型计算任务具有像人脑一样好的执行效果。

　　本文摘自国外相关研究报道，文章内容不代表站观点和立场，仅供参考。