技术的快速发展导致处理设备生成的海量数据所需的能源使用量大幅增加。但德克萨斯大学奥斯汀分校科克雷尔工程学院的研究人员找到了一种方法，可以让新一代智能计算机更加节能。
传统上，硅芯片构成了为计算机提供动力的基础设施的构建块。但这项研究使用磁性元件而不是硅，并发现了关于磁性元件的物理特性如何降低能源成本和训练算法要求的新信息——神经网络可以像人类一样思考并识别图像和模式。
“目前，训练神经网络的方法非常耗能，”科克雷尔学院电气与计算机工程系助理教授让·安妮·因科维亚 (Jean Anne Incorvia) 说。“我们的工作可以做的是帮助减少培训工作和能源成本。”
研究人员的发现本周发表在 IOP Nanotechnology 上。Incorvia 与第一作者和二年级研究生 Can Cui 领导了这项研究。Incorvia 和 Cui 发现，作为人工神经元的间隔磁性纳米线，在某些方面自然地增加了人工神经元相互竞争的能力，其中最活跃的神经元胜出。实现这种称为“横向抑制”的效果，传统上需要计算机内的额外电路，这会增加成本并占用更多能量和空间。
Incorvia 表示，在执行相同的学习任务时，他们的方法提供的能量减少是标准反向传播算法使用量的 20 到 30 倍。
与人类大脑包含神经元的方式相同，新时代的计算机拥有这些完整神经细胞的人工版本。当放电速度最快的神经元能够阻止较慢的神经元放电时，就会发生横向抑制。在计算中，这减少了处理数据的能源消耗。
Incorvia 解释说，计算机的运行方式正在发生根本性的变化。一个主要趋势是神经形态计算的概念，它本质上是将计算机设计为像人脑一样思考。这些更智能的设备不是一次处理一项任务，而是旨在同时分析大量数据。这些创新推动了近年来主导技术领域的机器学习和人工智能革命。
这项研究的重点是两个磁神经元之间的相互作用以及多个神经元相互作用的初步结果。下一步涉及将这些发现应用于更大的多神经元集，以及对他们的发现进行实验验证。