Pesquisadores da Faculdade de Engenharia da Universidade do Sul da Flórida propuseram uma nova forma de computação que usa nanoímãs circulares para resolver problemas de otimização quadrática de ordens de magnitude mais rápido do que a de um computador convencional.

Uma ampla gama de domínios de aplicação pode ser potencialmente acelerada por meio dessa pesquisa, como encontrar padrões nas redes sociais, códigos de correção de erros para Big Data e biociências.

Em artigo publicado na edição atual da Nature Nanotechnology , "Computação não booleana com nanoímãs para aplicações de visão computacional, "autores Sanjukta Bhanja, D.K. Karunaratne, Ravi Panchumarthy, Srinath Rajaram, e Sudeep Sarkar discutem como seu trabalho aproveitou a natureza de minimização de energia dos sistemas nanomagnéticos para resolver os problemas de otimização quadrática que surgem em aplicações de visão computacional, que são computacionalmente caros.

De acordo com os autores, ímãs têm sido usados ​​como memória de computador / armazenamento de dados desde 1920; eles até fizeram uma entrada na terminologia de hardware comum, como multi- "core". O campo do nanomagnetismo atraiu recentemente uma tremenda atenção, pois pode potencialmente fornecer baixa potência, memórias não voláteis densas e de alta velocidade. Agora é possível projetar o tamanho, forma, espaçamento, orientação e composição de estruturas magnéticas sub-100 nm. Isso estimulou a exploração de nanoímãs para paradigmas de computação não convencionais.

Ao explorar os estados de magnetização de discos nanomagnéticos como representações de estado de um vórtice e domínio único, a equipe de pesquisa criou uma estrutura de modelagem para abordar o vórtice e o domínio único no plano em uma estrutura unificada e desenvolveu um hamiltoniano magnético de natureza quadrática. O sistema magnético implementado pode identificar as características salientes de uma determinada imagem com mais de 85 por cento de taxa positiva verdadeira. Esta forma de computação, na média, é 1, 528 vezes mais rápido que o IBM ILOG CPLEX (um otimizador de software padrão da indústria) com matrizes de afinidade esparsas (quatro vizinhos), e 468 vezes mais rápido com matrizes de afinidade mais densas (oito vizinhos). Esses resultados mostram o potencial desse método de computação alternativo para desenvolver um coprocessador magnético que pode resolver problemas complexos em menos ciclos de clock do que os processadores tradicionais.