为了应对即将到来的物联网时代，需要进一步发展信息处理技术。循环神经网络等人工智能技术因其适用于时间序列数据的计算而备受关注。这种新颖的计算方案的一个严重问题是大规模软件网络的开发。另一个问题是学习训练数据需要大量的计算。为了解决这些问题，人们提出了用于人工智能硬件的新设备以及新逻辑电路。物理油藏计算是循环神经网络的一个新概念，用于分类和计算时间序列数据。物理储层计算仅通过优化储层到输出的权重来执行学习，并利用物理系统的内部动力学来计算数据。任何物理系统，例如软材料，都可以用作物理储层计算的储层，物理储层计算使得新计算系统的开发成为可能。这些功能将解决使用当前人工智能技术进行数据处理的问题。

研究人员与东京大学合作，使用自旋扭矩振荡器提高了物理储层计算的短期存储容量。

储层计算是一种具有快速学习特点的循环神经网络，具有应用于人工智能（AI）硬件的可能性。然而，计算系统的小型化一直是一个关键问题，因为小型系统经常受到热噪声的影响，导致计算可靠性下降。 AIST利用自旋扭矩振荡器的小尺寸和在室温下运行的能力，提出了使用自旋扭矩振荡器进行物理储层计算。所提出的方案利用物理系统中的复杂动力学进行计算，而不是在软件中构建网络。它允许我们使用物理系统作为水库，从而实现低功耗和高集成度。然而，由于热噪声导致的低可靠性仍然是一个关键问题。

研究人员利用纳米磁体与微波磁场的同步现象，提高了短期存储容量（这是储层计算的品质因数），从而有效抑制了热噪声。短期记忆容量的大幅增强表明自旋扭矩振荡器具有较高的计算可靠性。该成果将促进室温下运行的高度集成紧凑型人工智能硬件的发展。