新加坡科学、技术和研究署 安江·苏米亚纳拉亚南和他在IMRE的材料研究与工程学院的团队正在为基于磁层的下一代计算铺平道路
信用:Anjan Soumyanarayanan 有没有注意到我们的智能手机和计算设备如何在短时间内变得更快？你可以为此感谢摩尔定律
早在1965年，英特尔联合创始人戈登·摩尔就预测，计算机的处理能力将每两年翻一番，令人难以置信的是，这一经验法则已经坚持了50多年
然而，现代计算技术现在正达到其规模极限，有可能使摩尔定律嘎然而止
与此同时，对计算能力的需求继续快速增长——部分原因是人工智能的出现
规避这些对内存和计算能力的限制是当务之急，它要求人们超越传统设备和计算架构
看看其中的一个候选者:被称为skyrmions的微小磁性准粒子，它可能提供一种超越传统处理极限的方法
因为计算机的信息存储内存和决策功能通常是分开的，所以即使是执行最简单的任务也会消耗能量
Skyrmions是可能将这两种功能结合起来的候选产品之一，它为更快的处理和更低功耗的实时决策打开了大门
十多年前被发现的磁天顶已经被证明很难控制
但现在不是了，这要归功于安江·苏米亚纳拉亚南和他的同事们从IMRE材料研究与工程学院开创的突破性技术
通过他们的方法，该团队成功地微调了摩天大楼的大小、密度和稳定性，使它们更接近于实现节能计算
Soumyanarayanan在2018年总统科学技术奖上获得了年轻科学家奖，因为他给超光速飞行和利用量子现象实现纳米电子学带来了新的突破
Soumyanarayanan也是新加坡国立大学的助理教授，也是2018年的IEEE磁学学会早期职业奖获得者，他让我们更深入地了解了skyrmions及其在下一代计算中可能扮演的角色
告诉我们你想通过研究解决的关键问题
摩尔定律，即计算能力随时间的指数增长，在作为现代电子学的基石统治了50年后，已经达到了极限
一个有希望的替代方法是用电子“自旋”代替电荷来存储、处理和传递信息
自旋电子学，或自旋电子学，可以提供处理速度更快的设备，同时大大降低功耗
最近，我的研究工作主要集中在磁场上
最近在工业兼容材料中发现，skyrmions是电子自旋的纳米级排列，其行为类似于单个磁性粒子
作为下一代计算的基础元素，它们具有很好的特性
我们正在开发薄膜材料来承载这种超光速粒子，并研究它们在纳米设备中的行为
你打算在你的领域中建立哪些开创性的发现？ 首先，自旋电子器件需要电子探测(读取)和操纵(写入)自旋以形成0和1状态的能力——代表传统计算机代码中使用的二进制系统
30年前被发现，这些功能得到了2007年诺贝尔奖的认可，并在商业上用于现代硬盘驱动器和磁性随机存取存储器(MRAM)
最近，电子自旋和动量之间的耦合——被称为自旋轨道耦合——已经成为工业兼容薄膜中一种有吸引力的成分
一方面，荷电状态能够创造磁性天空和其他新现象
另一方面，它为电写入提供了快速和节能的手段
最后，我们希望这种设备可以用于模拟神经元的生物学，从而实现大脑启发的或“神经形态计算”
这个迅速发展的主题正在看到许多模仿人脑实现识别、模式匹配和决策能力的设备提案
你是如何对研究磁性天空产生兴趣的？ 磁性天顶的形成依赖于三个关键因素:自旋轨道耦合、磁性以及某些材料表面和界面的独特拓扑
这些概念是过去10到15年间发现的几个新现象的核心
2010年，这些概念是我和我的博士共同撰写的一份成功的资助提案的基础
D
支持我的拓扑材料论文工作的顾问
回到新加坡后，A*STAR在磁性薄膜方面的强大能力为其提供了一个天然的支点
我很高兴它带来了材料科学和设备工程方面的挑战——这两者都被证明是宝贵的学习机会
你能描述一下你现在正在做的最激动人心的项目吗？ 尽管磁性天线罩作为纳米级数据处理元件显示出巨大的前景，但它们并不是最容易使用的
事实上，直到最近，人们还只能在低温下观察到磁天顶
因此，我们在这个主题上的最初努力主要集中在建立和定制薄膜的室温特性上
最近，我们一直在探索它们在与大规模制造兼容的器件配置中的电学行为
最终，我们希望在这样的设备中实现电探测，或阅读，和电操作，或写天空信息
他们工作所需的各种能力(如材料开发、器件制造和电气特性)的无缝集成既具有挑战性，又令人兴奋
你的研究对工业/社会有什么影响？谁将从这些发现中受益？ 我们的研究与自旋电子学领域更广泛的努力相一致
自旋电子技术在商业上用于硬盘驱动器和磁存储器
自旋电子学研究的未来发现，除了能以极快的速度运行低功耗设备之外，还能实现新的计算架构
这种设备可以帮助我们实现节能计算平台
这可能会在功耗降低的数据中心表现出来
或者，它们可以用于开发具有人工智能能力的个人或边缘计算设备
最终，此类研究可能会应用于从制造业到医疗保健和监控等不同领域，因为它有助于监控和识别干预错误
你如何看待你的研究领域在未来5-10年的发展？ 包括我们在内的受使用启发的研究领域，在如何定义和解决问题方面发展迅速
例如，定义问题需要整个价值链中的利益相关方增加并持续参与
同样，解决复杂的大规模问题需要组建跨学科团队，包括材料科学家、物理学家、电气工程师和计算机科学家
值得注意的是，机器学习技术现在在材料和器件参数的预测、设计和分析中发挥着越来越重要的作用
这些和其他新兴因素将有助于在不久的将来塑造我们的研究领域
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
