利用磁性组件物理可降低能耗改善大数据处理所需算法的要求

德克萨斯大学卡克雷尔工程学院的研究人员声称，已经找到了一种使下一代智能设备和计算机更加有效的方法，这些设备和计算机将依靠大数据处理。

我们对越来越智能的技术的需求不断增长，导致能源使用量大量增加，这是处理电子设备生成的大量数据所必需的。

但是，德克萨斯州的研究人员声称找到了一种方法，该方法通过使用磁性部件代替计算机芯片来构成计算机和电子设备的构造块，从而使“智能计算机”更加节能。

该小组的研究发表在《IOP纳米技术》杂志上，提供了有关磁性组件物理如何降低能耗以及训练大数据处理所需算法的要求的新信息。

这些都是非常耗能的，但是Cockrell团队声称他们的工作可以“帮助减少与他们相关的培训工作和能源成本”。

减少能源消耗

研究结果描述了考克雷尔学院电气与计算机工程系的助理教授让·安妮·Incorvia与二年级研究生Can Cui一起工作，以发现通过以某些方式隔开纳米线自然会增加人工神经元的能力。 互相竞争，而最活跃的竞争则排在首位。

这被称为“侧向抑制”，传统上需要在计算机内进行额外的电路连接，但是是通过隔开充当人工神经元的空间来实现的。 Incorvia声称，该方法在执行相同的机器学习任务时，最多可将标准反向传播算法使用的能量减少20－30倍。

德克萨斯大学奥斯汀分校的研究人员提供的图表显示了他们对神经元的操纵以最大程度地抑制横向干扰。 图片来源：德克萨斯大学奥斯汀分校提供

将发现应用于更大的多个神经元集合

在研究论文中，Incorvia继续说明计算机的运行方式正在“根本改变”。少数有希望的趋势之一是神经形态计算的概念，这是一个研究领域，致力于设计可以像人脑一样思考的计算机。

他们可以同时分析大量数据，而不必一次处理一个任务，有些人认为这是人工智能和机器学习取得重大进展的关键。

横向抑制是一种兴奋的神经元减少其邻居活动的能力，是神经形态计算中的重要功能。在人类神经生物学中，它使动作电位在横向方向上无法从兴奋的神经元传播到邻近的神经元。

未来研究

在诸如计算机的神经形态硬件平台中，横向抑制是通过外部电路来实现的，从而降低了能效并增加了此类系统的占地面积。

Incorvia的团队希望通过调整一对相邻的DW－MTJ神经元之间的磁相互作用来最大化成对的磁畴壁赛道中的侧向抑制来解决这些问题。这项研究的下一步涉及将发现应用于更多组的多个神经元。

责任编辑：gt