儲層計算是一種神經形態架構，可以為機器學習不斷增長的能源成本提供可行的解決方案。在基于軟件的機器學習中，通過調優超參數可以很容易地重新配置計算性能以適應不同的計算任務。在利用物理系統的非線性和歷史相關響應進行數據處理的“物理”油藏計算方案中，缺少這一關鍵功能。
在這里，倫敦大學學院Hidekazu Kurebayashi，Oscar Lee用一種“任務自適應”的物理油藏計算方法克服了這個問題。
文章要點
1）通過利用熱力學相空間來重新配置油藏的關鍵屬性，可以優化不同任務集的計算性能。
2）研究人員使用手性磁體Cu2OSeO3的自旋波譜，它具有skyrmion，錐形和螺旋磁相，提供了不同的計算油藏響應的按需訪問。
3）任務自適應方法適用于各種物理系統，研究人員通過Co8.5Zn8.5Mn3(和FeGe)的上述(和近)室溫演示在其他手性磁體中展示了這一點。
參考文獻
Lee, O., Wei, T., Stenning, K.D. et al. Task-adaptive physical reservoir computing. Nat. Mater. (2023).
https://doi.org/10.1038/s41563-023-01698-8
