Des chercheurs du Collège d'ingénierie de l'Université de Floride du Sud ont proposé une nouvelle forme de calcul qui utilise des nano-aimants circulaires pour résoudre des problèmes d'optimisation quadratique de plusieurs ordres de grandeur plus rapidement que celui d'un ordinateur conventionnel.

Un large éventail de domaines d'application peut être potentiellement accéléré grâce à cette recherche, tels que la recherche de modèles dans les médias sociaux, codes correcteurs d'erreurs au Big Data et aux biosciences.

Dans un article publié dans le numéro actuel de Nature Nanotechnologie , "Calcul non booléen avec des nano-aimants pour les applications de vision par ordinateur, " auteurs Sanjukta Bhanja, D.K. Karunaratne, Ravi Panchumarthy, Srinath Rajaram, et Sudeep Sarkar expliquent comment leurs travaux ont exploité la nature de minimisation d'énergie des systèmes nanomagnétiques pour résoudre les problèmes d'optimisation quadratique qui se posent dans les applications de vision par ordinateur, qui sont coûteux en calcul.

Selon les auteurs, les aimants ont été utilisés comme mémoire d'ordinateur/stockage de données dès 1920; ils ont même fait une entrée dans la terminologie matérielle commune comme le multi-"cœur". Le domaine du nanomagnétisme a récemment attiré une attention considérable car il peut potentiellement fournir une faible puissance, mémoires non volatiles à haute vitesse et denses. Il est maintenant possible de concevoir la taille, forme, espacement, orientation et composition des structures magnétiques inférieures à 100 nm. Cela a stimulé l'exploration des nano-aimants pour des paradigmes informatiques non conventionnels.

En exploitant les états d'aimantation des disques nanomagnétiques comme représentations d'état d'un vortex et d'un domaine unique, l'équipe de recherche a créé un cadre de modélisation pour traiter le vortex et le domaine unique dans le plan dans un cadre unifié et a développé un hamiltonien magnétique de nature quadratique. Le système magnétique mis en œuvre peut identifier les caractéristiques saillantes d'une image donnée avec un taux de vrais positifs de plus de 85 %. Cette forme de calcul, en moyenne, est 1, 528 fois plus rapide qu'IBM ILOG CPLEX (un optimiseur de logiciel standard de l'industrie) avec des matrices d'affinité éparses (quatre voisins), et 468 fois plus rapide avec des matrices d'affinité plus denses (huit voisins). Ces résultats montrent le potentiel de cette méthode de calcul alternative pour développer un coprocesseur magnétique qui pourrait résoudre des problèmes complexes en moins de cycles d'horloge que les processeurs traditionnels.