（文章來源：千家網）

德克薩斯大學卡克雷爾工程學院的研究人員聲稱，已經找到了一種使下一代智能設備和計算機更加有效的方法，這些設備和計算機將依靠大數據處理。

我們對越來越智能的技術的需求不斷增長，導致能源使用量大量增加，這是處理電子設備生成的大量數據所必需的。但是，德克薩斯州的研究人員聲稱找到了一種方法，該方法通過使用磁性部件代替計算機芯片來構成計算機和電子設備的構造塊，從而使“智能計算機”更加節能。

該小組的研究發表在《IOP納米技術》雜志上，提供了有關磁性組件物理如何降低能耗以及訓練大數據處理所需算法的要求的新信息。這些都是非常耗能的，但是Cockrell團隊聲稱他們的工作可以“幫助減少與他們相關的培訓工作和能源成本”。

研究結果描述了考克雷爾學院電氣與計算機工程系的助理教授讓·安妮·Incorvia與二年級研究生Can Cui一起工作，以發現通過以某些方式隔開納米線自然會增加人工神經元的能力。 互相競爭，而最活躍的競爭則排在首位。

這被稱為“側向抑制”，傳統上需要在計算機內進行額外的電路連接，但是是通過隔開充當人工神經元的空間來實現的。 Incorvia聲稱，該方法在執行相同的機器學習任務時，最多可將標準反向傳播算法使用的能量減少20－30倍。德克薩斯大學奧斯汀分校的研究人員提供的圖表顯示了他們對神經元的操縱以最大程度地抑制橫向干擾。

在研究論文中，Incorvia繼續說明計算機的運行方式正在“根本改變”。少數有希望的趨勢之一是神經形態計算的概念，這是一個研究領域，致力于設計可以像人腦一樣思考的計算機。

他們可以同時分析大量數據，而不必一次處理一個任務，有些人認為這是人工智能和機器學習取得重大進展的關鍵。橫向抑制是一種興奮的神經元減少其鄰居活動的能力，是神經形態計算中的重要功能。在人類神經生物學中，它使動作電位在橫向方向上無法從興奮的神經元傳播到鄰近的神經元。

在諸如計算機的神經形態硬件平臺中，橫向抑制是通過外部電路來實現的，從而降低了能效并增加了此類系統的占地面積。Incorvia的團隊希望通過調整一對相鄰的DW－MTJ神經元之間的磁相互作用來最大化成對的磁疇壁賽道中的側向抑制來解決這些問題。這項研究的下一步涉及將發現應用于更多組的多個神經元。
（責任編輯：fqj）