【总编辑圈点】
科技日报北京11月1《彩神ll网页》4日电 （记者张梦然）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。
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。
