4月12日，强磁场中心邀请了复旦大学微电子器件与量子计算机研究院郭杭闻研究员做客低功耗量子材料建制化科研平台，郭杭闻作了题为“基于低维磁性体系的物理神经网络”的报告。报告会由王康副研究员主持，中心职工和学生参加了报告会。

人工神经网络已对社会发展产生了巨大变革，同时也对算力、能耗和计算效率等问题带来了挑战。郭杭闻在报告中分享了关于物理神经网络的新颖解决方案并介绍了其带领的课题组在这一研究领域所做出的杰出工作。物理神经网络充分利用了物理体系的优异特性来实现人工神经网络的训练和计算，可潜在突破传统计算机的限制，且大幅提高计算效率。在低维尺度下，磁性材料不仅具有记忆和存储功能，还具备强的热涨落、丰富的磁畴态和动力学过程，展现出很强的可塑性、随机性、非线性和振荡性等特征，是实现物理神经网络的极佳选择。一方面，郭杭闻课题组通过实验测量并借助微磁学模拟方法总结了Au/Al2O3/Py体系的四电极人工神经元中的磁畴演化过程，并推导出磁畴演化公式，且将其与神经网络算法公式进行对比，发现二者基本一致，为Au/Al2O3/Py体系应用于物理神经网络提供理论基础。另一方面，郭杭闻课题组考虑到磁性氧化物的反铁磁绝缘高阻态和铁磁金属低阻态与其内部磁畴分布相关，进一步在实验上验证了当磁性氧化物样品尺寸足够小时，电流将不得不同时通过高/低阻态，实现了高/低阻态的随机出现，同时其发现可以借助电流、磁场和温度来调控高/低阻态的出现概率，满足了概率计算中概率比特的理论要求，并验证了其在解决概率问题上的优异能力。这些研究成果充分展现了可塑性磁畴物理神经网络的一步到位的高效训练过程和低能耗特点，为利用低维自旋体系实现高计算效率人工智能架构提供新的思路。

郭杭闻，2013至2016年在路易斯安那州立大学任博士后，2016至2018年任该校研究助理教授，2018年加入复旦大学微纳电子器件与量子计算机研究院，任研究员，博士生导师。长期从事复杂氧化物薄膜和异质结的制备、多场量子调控和原型器件的研究。在Nature Communications, PRL, PNAS 等国内外学术期刊上共发表论文30余篇，总引用千余次。

郭杭闻研究员作报告