未来AI：在稀有纳米磁体上印刷电路

JENNA MARIA RANTALA/AALTO UNIVERSITY

一种被称为“自旋玻璃（spin glass）”的罕见物质可能正在为人工智能开辟一个新方向，算法可以作为物理硬件打印出来。洛斯阿拉莫斯国家实验室（LANL，Los Alamos National Laboratory）的研究人员首次制造了一种人造自旋玻璃，由纳米磁铁组成，其排列方式模仿神经网络。

自旋玻璃的理论模型此前已广泛应用于复杂系统，如描述大脑功能或股市动态的系统。

简言之，自旋玻璃是一种以随机性为特征的磁性物质状态。LANL研究人员开发的自旋玻璃相关内容于3月17日发表在《自然物理学》杂志上，该玻璃涉及系统中的磁铁，它们找到了相互对准和反对准的复杂结构，以最大限度地减少能源消耗。据了解，研究所用的磁铁是一层薄薄的铁镍合金，其作用类似于显微镜下的条形磁铁，翻转其北极和南极以找到低能状态。通过选择它们的位置和方向，以符合人工神经网络的交互结构。

LANL的理论物理博士后研究员Michael Saccone表示：“这与过冷流体相当：分子想要排列在更简单的固体中，但不能立即排列，因为找不到找到有序构型的能量和时间。”Saccone和他的研究团队将理论和实验工作相结合，制造并观察了人工自旋玻璃作为原理验证的Hopfield神经网络，该网络对关联记忆进行数学建模，以指导人工自旋系统的无序。

自旋玻璃和Hopfield网络共生发展，一个领域相互补充。联想记忆，无论是在Hopfield网络还是其他形式的神经网络中，都将与对象相关的两个或多个记忆模式联系起来。如果只触发一个记忆——例如，通过接收人脸的部分图像作为输入——那么网络就可以召回完整的人脸。与更传统的算法不同，联想记忆不需要完全相同的场景来识别记忆。

这些网络的记忆对应于自旋系统的基态，并且比其他神经网络受噪声干扰更少。

Saccone和团队的研究证实，这种材料是一种自旋玻璃，证据可以让他们描述系统的特性以及它如何处理信息。在旋转玻璃中开发的AI算法将比传统算法“更混乱”，但对于某些AI应用程序也更加灵活。

Saccone进一步解释说，他们采用的方法与计算尺略有不同。计算尺是一种老式的机械模拟“计算机”，具有平行轨道上数字的对数刻度，可以用作一种预电子计算器。“我们正在将能量函数映射到另一个函数上，Saccone说，“简单地说，我们物理系统中的最低能量状态代表了另一个类似问题的解决方案。”

Saccone说，纳米磁铁人工智能算法的物理结构很复杂。然而，他解释说，在大多数流行的、普遍实现的算法中，使用了某种“前馈”架构。在这种体系结构中，信息逐步从输入流向输出，适合在CPU甚至GPU中进行训练和顺序更新。

Hopfield网络和纳米磁系统的架构被称为“全对全”和“无向”。这意味着信息在各个方向的所有纳米磁体（神经元）之间不断流动（尽管在较长的空间距离下强度较低）。

Saccone说：“顺序算法的模拟需要一段时间，但在物理系统中，固有的并行化并没有代价。”