Undersøgelse finder en ny måde at beregne på med interaktionsafhængig tilstandsændring af nanomagneter

Forskere fra University of South Florida College of Engineering har foreslået en ny form for computerbehandling, der bruger cirkulære nanomagneter til at løse kvadratiske optimeringsproblemer af størrelsesorden hurtigere end en konventionel computer.

En bred vifte af applikationsdomæner kan potentielt accelereres gennem denne forskning, såsom at finde mønstre i sociale medier, fejlkorrigerende koder til Big Data og biovidenskab.

I en artikel offentliggjort i det aktuelle nummer af Natur nanoteknologi , "Ikke-boolsk databehandling med nanomagneter til computervisionsapplikationer, "forfattere Sanjukta Bhanja, D.K. Karunaratne, Ravi Panchumarthy, Srinath Rajaram, og Sudeep Sarkar diskuterer, hvordan deres arbejde udnyttede nanomagnetiske systemers energiminimerende natur til at løse de kvadratiske optimeringsproblemer, der opstår i computervisionsapplikationer, som er beregningsmæssigt dyre.

Ifølge forfatterne, magneter er blevet brugt som computerhukommelse/datalagring siden så tidligt som i 1920; de gik endda ind i almindelig hardwareterminologi som multi-"core". Området nanomagnetisme har for nylig tiltrukket sig enorm opmærksomhed, da det potentielt kan levere lavt strømforbrug, høj hastighed og tætte ikke-flygtige hukommelser. Det er nu muligt at konstruere størrelsen, form, mellemrum, orientering og sammensætning af magnetiske strukturer under 100 nm. Dette har ansporet udforskningen af ​​nanomagneter til ukonventionelle computerparadigmer.

Ved at udnytte magnetiseringstilstandene af nanomagnetiske diske som tilstandsrepræsentationer af en hvirvel og et enkelt domæne, forskerholdet har skabt en modelleringsramme til at adressere hvirvelen og det enkelte domæne i planet i en samlet ramme og udviklet en magnetisk Hamiltonian, som er kvadratisk af natur. Det implementerede magnetiske system kan identificere de fremtrædende træk ved et givet billede med mere end 85 procent sand positiv rate. Denne form for edb, gennemsnitlig, er 1, 528 gange hurtigere end IBM ILOG CPLEX (en industristandard softwareoptimering) med sparsomme affinitetsmatricer (fire naboer), og 468 gange hurtigere med tættere (otte nabo-) affinitetsmatricer. Disse resultater viser potentialet ved denne alternative beregningsmetode til at udvikle en magnetisk coprocessor, der kan løse komplekse problemer i færre clock-cyklusser end traditionelle processorer.