机器学习machine learning的发展，与传统数字计算极限相结合，正在推动对计算的替代和补充形式研究，但新器件应用于主流计算系统，依然有限。这是因为计算机技术的发展，需要计算器件与计算机体系架构两者的共同进步。然而，器件领域和计算机体系结构领域之间，明显存在脱节，从而限制了整体计算机技术的发展。近日，英国 剑桥大学（University of CambridgeNathaniel ）Joseph Tye, Stephan Hofmann & Phillip Stanley-Marbell，在Nature Electronics上发表评述文章，以机器学习硬件加速器为重点，探讨这种器件与架构领域之间的脱节。将计算问题直接映射到材料和器件特性，有望提供了强有力的前进路线。
还研究了已成功应用于解决计算问题的新型材料和器件：用于矩阵-向量乘法的非易失性存储器、用于随机计算的磁性隧道结，以及用于可重构逻辑的电阻存储器。同时还提出了度量标准，以促进机器学习任务的不同解决方案之间比较，并突出新材料和设备可能的潜在应用。
Materials and devices as solutions to computational problems in machine learning.
在机器学习中，材料与器件成为计算问题的解决方案。
图1:从计算机体系结构和器件物理学家的角度，集成电路的开发过程。
图2:计算问题的硬件解决方案。
图3:用于评估机器学习machine learning，ML任务的给定解决方案指标。
文献链接
Tye, N.J., Hofmann, S. & Stanley-Marbell, P. Materials and devices as solutions to computational problems in machine learning. Nat Electron 6, 479–490 (2023).
https://doi.org/10.1038/s41928-023-00977-1
https://www.nature.com/articles/s41928-023-00977-1
本文译自Nature。
来源：今日新材料
声明：仅代表译者个人观点，小编水平有限，如有不当之处，请在下方留言指正！
推荐阅读
中国新材料研究前沿报告（2020）：存储器芯片材料（一）
中国新材料研究前沿报告（2020）：存储器芯片材料（二 ）
中国新材料研究前沿报告（2020）：存储器芯片材料（三）
中国新材料研究前沿报告（2020）：存储器芯片材料（四）
