储层计算是一种神经形态架构，可以为机器学习不断增长的能源成本提供可行的解决方案。在基于软件的机器学习中，通过调优超参数可以很容易地重新配置计算性能以适应不同的计算任务。在利用物理系统的非线性和历史相关响应进行数据处理的“物理”油藏计算方案中，缺少这一关键功能。

在这里，伦敦大学学院Hidekazu Kurebayashi，Oscar Lee用一种“任务自适应”的物理油藏计算方法克服了这个问题。

文章要点

1）通过利用热力学相空间来重新配置油藏的关键属性，可以优化不同任务集的计算性能。

2）研究人员使用手性磁体Cu₂OSeO₃的自旋波谱，它具有skyrmion，锥形和螺旋磁相，提供了不同的计算油藏响应的按需访问。

3）任务自适应方法适用于各种物理系统，研究人员通过Co_8.5Zn_8.5Mn₃(和FeGe)的上述(和近)室温演示在其他手性磁体中展示了这一点。

参考文献

Lee, O., Wei, T., Stenning, K.D. et al. Task-adaptive physical reservoir computing. Nat. Mater. (2023).

https://doi.org/10.1038/s41563-023-01698-8