Investigadores de la Facultad de Ingeniería de la Universidad del Sur de Florida han propuesto una nueva forma de computación que utiliza nanoimanes circulares para resolver problemas de optimización cuadrática órdenes de magnitud más rápido que el de una computadora convencional.

Una amplia gama de dominios de aplicación pueden acelerarse potencialmente a través de esta investigación, como encontrar patrones en las redes sociales, códigos de corrección de errores para Big Data y biociencias.

En un artículo publicado en la edición actual de Nanotecnología de la naturaleza , "Computación no booleana con nanoimanes para aplicaciones de visión artificial, "autores Sanjukta Bhanja, D.K. Karunaratne, Ravi Panchumarthy, Srinath Rajaram, y Sudeep Sarkar discuten cómo su trabajo aprovechó la naturaleza de minimización de energía de los sistemas nanomagnéticos para resolver los problemas de optimización cuadrática que surgen en las aplicaciones de visión por computadora, que son computacionalmente costosos.

Según los autores, los imanes se han utilizado como memoria de computadora / almacenamiento de datos desde 1920; incluso hicieron una entrada en la terminología de hardware común como multi-"core". El campo del nanomagnetismo ha atraído recientemente una enorme atención, ya que potencialmente puede ofrecer baja potencia, memorias no volátiles densas y de alta velocidad. Ahora es posible diseñar el tamaño, forma, espaciado, orientación y composición de estructuras magnéticas por debajo de 100 nm. Esto ha estimulado la exploración de nanoimanes para paradigmas informáticos no convencionales.

Al explotar los estados de magnetización de los discos nanomagnéticos como representaciones de estados de un vórtice y un dominio único, el equipo de investigación ha creado un marco de modelado para abordar el vórtice y el dominio único en el plano en un marco unificado y ha desarrollado un hamiltoniano magnético que es de naturaleza cuadrática. El sistema magnético implementado puede identificar las características más destacadas de una imagen dada con una tasa positiva verdadera de más del 85 por ciento. Esta forma de computación, de media, es 1, 528 veces más rápido que IBM ILOG CPLEX (un optimizador de software estándar de la industria) con matrices de afinidad dispersas (cuatro vecinas), y 468 veces más rápido con matrices de afinidad más densas (ocho vecinas). Estos resultados muestran el potencial de este método de computación alternativo para desarrollar un coprocesador magnético que podría resolver problemas complejos en menos ciclos de reloj que los procesadores tradicionales.