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。