Спин-стекло можно использовать для изготовления алгоритмов, реализованных не в виде программного кода, а в виде аппаратных средств. А это, в свою очередь, позволит выполнять тяжелые вычислительные задачи, такие, как распознавание изображений, с минимальными затратами энергии.
Спин-стекло можно представить, как систему из беспорядочно ориентированных наномагнитов, ориентация которых является результатом случайных взаимодействий, притяжения и отталкивания между разноименными и одноименными полюсами наномагнитов. Однако, вся система не находится в стабильном и сбалансированном состоянии, благодаря чему в ней еще возможны какие-либо изменения. Более того, при снижении температуры динамические и термодинамические характеристики системы увеличиваются настолько, что становится возможным использовать все это для проведения вычислительных операций.
"Теоретические модели, в которых фигурирует спин-стекло, широко используются в сложных системах, описывающих, к примеру, некоторые из функций головного мозга, принципы кодирования информации и исправления ошибок или динамику изменений на фондовых биржах" - пишут исследователи, - "Этот интерес к спин-стеклу обеспечил нам сильную мотивацию, и нам успешно удалось создать первые образцы такого искусственного материала".
Создание спин-стекла стало результатом сложных предварительных теоретических изысканий и экспериментов. Создавая эту форму материи, ученые одновременно создавали в ее структуре так называемую нейронную сеть Хопфилда, принцип действия которой напоминает принцип действия ассоциативной памяти. В таких сетях обычно закодированы два или большее количество образов памяти, связанные с одним и тем же объектом. И когда на вход сети поступает часть информации об объекте, к примеру, небольшой фрагмент портрета, то сеть сразу "вспоминает" весь объект, полный портрет человека в данном случае.
Образы памяти в сетях Хопфилда закодированы в виде структуры самой сети, поэтому в спин-стекле могут быть воплощены уже подготовленные (предварительно обученные) нейронные сети. Однако, такие нейронные сети менее подвержены влиянию помех и шумов, и, хотя, они выдают "более грязные" результаты, чем традиционные алгоритмы, они являются более гибкими для приложений некоторых видов из области искусственного интеллекта.