随着技术的飞速发展，用于处理设备生成数据的能源使用量大大增加。美国德克萨斯大学奥斯汀分校的科克雷尔工程学院的研究人员发现了一种使新一代智能计算机更加节能的方法。

传统上，硅芯片已经形成了为计算机供电的基础。但是，这项研究使用的是磁性组件而不是硅，并发现了有关磁性组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，并且可以进行图像识别。

“现在，训练神经网络的方法非常耗能”， 科克雷尔工程学院电气与计算机工程系的助理教授让·安妮·恩科维亚（Jean Anne Incorvia）说，“我们的工作可以帮助减少培训工作量和能源成本。”

研究人员的发现发表在本周的IOP Nanotechnology上。Incorvia和本论文的第一作者、二年级研究生Can Cui共同进行了这项研究。Incorvia和Cui发现，隔开间隔的磁性纳米线（以人工神经元的形式）以某种方式自然增加了人工神经元相互竞争的能力，其中活化度最高的纳米线胜出。要获得这种效果，即所谓的“横向抑制”，传统上需要在计算机内部增加电路，这会增加成本并占用更多的能源和空间。

Incorvia说，他们的方法在执行相同的学习任务时，与标准反向传播算法相比，其能量消耗降低了20到30倍。

人类大脑包含相同的神经元方式，新时代的计算机具有这些整合神经细胞的人工版本。当神经元以最快的速度发射能够阻止较慢的神经元发射时，就会发生横向抑制。在计算中，这减少了处理数据时的能源消耗。

Incorvia解释说，计算机的运行方式正在发生根本性的变化。一种主要趋势是神经形态计算的概念，它实际上是在设计计算机，使其像人的大脑一样思考。这些智能设备无需一次处理一个任务，而是可以同时分析大量数据。这些创新推动了机器学习和人工智能领域的革命，该革命近年来主导了技术领域。

这项研究的重点是两个磁性神经元之间的相互作用以及有关多个神经元相互作用的初步结果。下一步计划将发现应用于较大的多个神经元集，并对它们进行实验验证。

论文标题为《Maximized Lateral Inhibition in Paired Magnetic Domain Wall Racetracks for Neuromorphic Computing》。