近日，普渡大学(Purdue University)的研究人员开发了一种方法，利用具有类似大脑网络的磁学来编程和教授设备，从而更好地描述不同的物体。
普渡大学的研究人员和脑灵感计算专家认为，提高人工智能效率的部分答案可能在磁铁中找到。研究人员已经开发出一种方法，利用具有类似大脑网络的磁学，对个人机器人、自动驾驶汽车和无人机等设备进行编程和教学，以便更好地描述不同的物体。
普渡大学的爱德华G蒂德曼Jr.电气和计算机工程杰出教授考希克罗伊(Kaushik Roy)表示：“我们的随机神经网络试图模拟人类大脑的某些活动，并通过神经元和突触的连接进行计算，这使得计算机大脑不仅能存储信息，还能很好地识别物体，然后做出推断，更好地区分物体。”
罗伊在本月早些时候于德国举行的年度德国物理科学会议上展示了这项技术。这项研究也发表在《神经科学前沿》杂志上。
纳米磁铁的开关动力学与神经元的电动力学相似。磁性隧道结器件具有开关特性，具有随机性。
随机切换行为是神经元乙状体切换行为的代表。这样的磁性隧道连接也可以用来存储突触的重量。
普渡大学的研究小组提出了一种新的突触随机训练算法，该算法使用了在大鼠海马中实验观察到的脉冲时间依赖性可塑性(STDP)。在学习不同对象表示方法的基础上，利用磁体固有的随机特性随机切换磁化状态。
训练好的突触权值，在纳米磁铁的磁化状态下确定编码，然后在推理过程中使用。有利的是，使用高能势垒磁铁(30-40KT，其中K为玻尔兹曼常数，T为工作温度)不仅允许紧凑的随机原语，而且使相同的设备能够作为稳定的内存元素使用，满足数据保持的要求。然而，为了提高能量效率，用于进行乙状结肠样神经元计算的纳米磁体的势垒高度可以降低到20KT。
“我们开发的磁铁技术的一大优势是它非常节能，”罗伊说，他领导着普渡大学的脑灵感计算中心，使自主智能成为可能。“我们创造了一个更简单的网络，它代表神经元和突触，同时压缩执行类似大脑计算功能所需的记忆和能量。”
罗伊说，类似大脑的网络在解决难题方面还有其他用途，包括组合优化问题，如旅行商问题和图着色。提出的随机器件可以作为“自然退火器”，帮助算法摆脱局部极小值。
他们的工作与普渡大学的巨大飞跃庆祝活动相一致，作为普渡大学150周年纪念活动的一部分，他们承认该大学在人工智能方面的全球进步。这是为期一年的普渡大学创意节的四个主题之一，旨在展示普渡大学作为一个解决现实世界问题的智力中心。
Roy与普渡大学研究基金会技术商业化办公室合作，研究专利技术，为C-BRIC的一些研究提供基矗他们正在寻找合作伙伴来授权这项技术。
