Onderzoekers van het University of South Florida College of Engineering hebben een nieuwe vorm van computergebruik voorgesteld die circulaire nanomagneten gebruikt om kwadratische optimalisatieproblemen ordes van grootte sneller op te lossen dan die van een conventionele computer.

Een breed scala aan toepassingsdomeinen kan mogelijk worden versneld door dit onderzoek, zoals het vinden van patronen in sociale media, foutcorrigerende codes voor Big Data en biowetenschappen.

In een artikel gepubliceerd in het huidige nummer van Natuur Nanotechnologie , "Non Boolean computing met nanomagneten voor computer vision-toepassingen, " auteurs Sanjukta Bhanja, DK Karunaratne, Ravi Panchumarthy, Srinath Rajaram, en Sudeep Sarkar bespreken hoe hun werk gebruik heeft gemaakt van de energieminimalisatie-aard van nanomagnetische systemen om de kwadratische optimalisatieproblemen op te lossen die zich voordoen in computervisietoepassingen, die rekenkundig duur zijn.

Volgens de auteurs is magneten worden al sinds 1920 gebruikt als computergeheugen/gegevensopslag; ze hebben zelfs een intrede gedaan in algemene hardwareterminologie zoals multi-"core". Het gebied van nanomagnetisme heeft de laatste tijd enorm veel aandacht getrokken omdat het potentieel een laag vermogen kan leveren, hoge snelheid en dichte niet-vluchtige geheugens. Het is nu mogelijk om de maat te engineeren, vorm, spatiëring, oriëntatie en samenstelling van sub-100 nm magnetische structuren. Dit heeft geleid tot de verkenning van nanomagneten voor onconventionele computerparadigma's.

Door de magnetisatietoestanden van nanomagnetische schijven te gebruiken als toestandsrepresentaties van een vortex en een enkel domein, het onderzoeksteam heeft een modelleringskader gecreëerd om de vortex en in-plan enkel domein in een verenigd kader aan te pakken en een magnetische Hamiltoniaan ontwikkeld die kwadratisch van aard is. Het geïmplementeerde magnetische systeem kan de meest opvallende kenmerken van een bepaald beeld identificeren met een werkelijk positief percentage van meer dan 85 procent. Deze vorm van rekenen, gemiddeld, is 1, 528 keer sneller dan IBM ILOG CPLEX (een industriestandaard software-optimizer) met schaarse affiniteitsmatrices (vier buren), en 468 keer sneller met dichtere (acht buur) affiniteitsmatrices. Deze resultaten tonen het potentieel van deze alternatieve rekenmethode om een ​​magnetische coprocessor te ontwikkelen die complexe problemen zou kunnen oplossen in minder klokcycli dan traditionele processors.