一種利用材料的內在物理特性來大幅減少能源使用的類腦計算形式，距離現實又近了一步。在《自然·材料》雜志上發表的這項新研究中，英國倫敦大學學院和倫敦帝國理工學院小組使用手性（扭曲）磁體作為計算介質，發現通過施加外部磁場和改變溫度，可調整這些材料的物理特性以適應不同的機器學習任務。

傳統計算消耗大量電力，部分原因是它有獨立的數據存儲和處理單元，信息必須在兩者之間不斷地轉換，浪費能源并產生熱量。這對于機器學習來說是一個嚴重問題，導致訓練一個大型人工智能模型可產生數百噸二氧化碳。

而物理儲層計算旨在消除對不同內存和處理單元的需求，促進更有效的數據處理方式。但這種計算方法迄今應用受限，是因為材料的物理特性可能使其在某些計算任務中表現出色，但在另一些任務中卻表現不佳。而今這項研究使人們更接近于實現物理儲存庫的全部潛力，創造出像人類大腦一樣的計算機，不僅顯著減少需要的能量，而且還可調整其計算特性，以在各種任務中最佳地執行。

團隊使用矢量網絡分析儀來確定手性磁體在不同磁場強度和-269℃到室溫范圍內的溫度下的能量吸收。他們發現手性磁體的不同磁相，在不同類型的計算任務中表現出色。在斯格明子階段，磁化粒子以類似漩渦的方式旋轉，具有強大的記憶能力，適合預測任務。與此同時，在圓錐形階段幾乎沒有記憶，但它的非線性非常適合轉換任務和分類。

團隊設計了一種神經擬態計算架構，利用復雜的材料特性來滿足各種具有挑戰性任務的需求。目前取得了很好的結果，展示了可直接定制神經形態計算的可能。