机构名称：
¥ 1.0
项目详情：计算和思考都可以看作是输入数据到答案空间的复杂非线性映射。这种映射由计算机架构或大脑训练定义，使用额外数据（“经验”）完成。还有一个重要的区别——功耗。大脑可以以非常节能的方式实现这种映射。现代基于半导体的计算硬件允许人们使用机器学习算法模拟大脑，并在一系列与人工智能相关的任务中稳步前进。然而，这种成功在能源效率方面被证明是灾难性的，使机器学习本身成为主要的（且不断增长的）能源消耗者。因此，人们开始寻找新方法来增强机器学习——那些可以摆脱这种能源效率瓶颈的方法。在这个项目中，您将探索使用自旋波（磁序材料的基本激发）构建定制硬件以实现节能的非常规计算。自旋波具有极端的非线性和适度的能量耗散，同时在 GHz 频率下具有微米到纳米的波长。这为实现微型、强大且节能的计算设备提供了独特的途径。您将结合两种本质上节能的技术范式：(i) 磁振子学（使用自旋波处理信号和数据）和 (ii) 神经形态计算（使用大规模集成系统和模拟电路以类似大脑的方式解决数据驱动的问题）。超越现有范式，您将使用纳米级手性磁振子谐振器 [1] 作为人工神经网络 [2] 的构建块。通过创建磁振子版本的储存器计算机和循环神经网络来展示网络的强大功能。该项目允许应用和/或开发一系列实际相关的技能，从分析理论到数值建模和最先进的实验。1. VV Kruglyak “手性磁振子谐振器：重新发现磁振子中的基本磁手性” Appl. Phys. Lett. 119, 200502 (2021)。2. KG Fripp 等人“非线性手性磁振子谐振器：面向磁振子神经元”Appl. Phys. Lett. 122, 172403 (2023)。
神经形态磁子学
主要关键词
相关文件推荐
