Ein probabilistischer Ising-Prozessor auf Basis paralleler magnetischer Tunnelübergänge für effiziente quadratische Optimierung

Warum schnelleres Problemlösen wichtig ist

Vom Planen von Lieferwegen bis zur Anordnung von Maschinen in einer Fabrik verbergen viele Alltagsaufgaben ein tiefes Rätsel: Wie wählt man die beste Anordnung aus einer enormen Anzahl von Möglichkeiten? Wenn diese Probleme wachsen, können selbst leistungsfähige Computer viel Zeit benötigen und viel Energie verbrauchen. Dieser Artikel beschreibt eine neue Art spezialisierter Hardware, die winzige magnetische Bauelemente und kontrollierte Zufälligkeit nutzt, um deutlich schneller und effizienter nach guten Lösungen zu suchen als herkömmliche Chips und dabei sogar mit modernen Quantenmaschinen konkurrieren kann.

Ein Rätsel des Zuordnens von Orten und Aufgaben

Eines der härtesten Beispiele für solche Rätsel ist das quadratische Zuordnungsproblem. Es erfasst Situationen, in denen mehrere Einrichtungen bestimmten Standorten zugewiesen werden müssen, wobei die Kosten nicht nur von Entfernungen, sondern auch davon abhängen, wie stark jedes Paar von Einrichtungen miteinander interagiert. Anders als bei einfacheren Problemen, bei denen jede Stadt oder jeder Punkt nur wenige Nachbarn berücksichtigt, kann hier jedes Paar von Entscheidungen jede andere beeinflussen. Dieses dichte Netz von Wechselwirkungen lässt die Zahl möglicher Anordnungen explodieren, und traditionelle Methoden haben oft Schwierigkeiten, sobald das Problem größer ist als einige Dutzend Einrichtungen. Da ähnliche Muster in Chipdesign, Rechenzentren und Bioinformatik auftreten, könnte ein besserer Umgang mit diesem Rätsel vielen Branchen helfen.

Magnetismus nutzen, um Zufälligkeit zu steuern

Die Forschenden bauen auf einem physikalischen System auf, das als Ising-Modell bekannt ist, bei dem jede Variable wie ein winziger Spin ist, der in eine von zwei Richtungen zeigen kann. Die beste Lösung des Problems entspricht der energieärmsten Anordnung all dieser Spins. Um verschiedene Anordnungen zu erkunden, verwendet ihre Maschine magnetische Tunnelübergänge, dieselben Basiselemente, die auch in magnetischen Speichern vorkommen. Jeder Übergang enthält eine feste Magnetlage und eine freie Lage, getrennt durch eine dünne Barriere. Wenn ein kurzer Spannungspuls angelegt wird, kann die freie Lage ihre Richtung auf eine zufällige, aber kontrollierbare Weise umschalten. Durch Abstimmen des Pulses kann das Team einstellen, wie wahrscheinlich jedes Element wechselt, und macht diese Übergänge damit effektiv zu Zufallszahlengeneratoren und Entscheidungsträgern, die den Regeln des Ising-Modells folgen.

Ein hochparalleler magnetischer Prozessor

Im Kern des Systems sitzt eine Platine mit 144 dieser magnetischen Bauelemente, gruppiert in Verarbeitungseinheiten und gesteuert von Digital-Analog- und Analog-Digital-Wandlern, die mit einem Field-Programmable Gate Array verbunden sind. In jedem Suchschritt berechnet das FPGA, wie sich die Gesamtenergie ändern würde, wenn ein einzelner Spin kippt, und übersetzt diese Werte gleichzeitig in Spannungen für alle Übergänge. Jedes Gerät entscheidet dann unabhängig, ob es aufgrund seiner eingebauten Zufälligkeit kippt. Eine clevere Schaltung, ein sogenannter Arbiter, verwendet zusätzliche zufällige Bits von weiteren Übergängen, um auszuwählen, welcher akzeptierte Flip tatsächlich ausgeführt wird, sodass der gesamte Prozess weiterhin den korrekten statistischen Regeln folgt. Vor dem Laufenlassen von Problemen kalibriert das Team jeden Übergang sorgfältig, sodass sein Schaltverhalten einer standardisierten S-förmigen Kurve folgt und die Konsistenz über das Array verbessert wird.

Konventionelle und Quanten‑ähnliche Ansätze übertreffen

Die Autorinnen und Autoren testen ihren magnetischen Prozessor an einer Reihe von Zuordnungsproblemen wachsender Größe und vergleichen ihn mit Software auf einer High-End-CPU, einer leistungsstarken Grafikkarte sowie kommerzieller Quantenannealing-Hardware von D-Wave. Mit einem Verfahren namens Parallel-Trial-Annealing, bei dem viele Kandidatenflips zugleich bewertet werden, erreicht ihr System nahezu optimale Lösungen bis zu 123-mal schneller als ein standardmäßiger Simulated-Annealing-Algorithmus auf derselben Hardware, während es 98,3 Prozent weniger Energie verbraucht. Im Vergleich zu einer sorgfältig optimierten Implementierung auf einem konventionellen Prozessor liefert es immer noch mehr als dreifache Beschleunigung und erhebliche Energieeinsparungen. Für die Quantenmaschinen zeigt die Studie, dass sie dieses vollständig verbundene Problem nur für die allerkleinsten Testfälle zuverlässig bearbeiten können und oft keine gültigen Lösungen liefern, sobald die Größe wächst, während der magnetische Prozessor über den gesamten Bereich hinweg eine hohe Lösungsqualität beibehält.

Was das für die zukünftige Informatik bedeutet

Die Arbeit zeigt, dass durch enge Kopplung von Physik und Algorithmen kompakte, energieeffiziente Hardware für eine bestimmte Klasse harter Probleme gebaut werden kann. Wenn sich die magnetische Speichertechnologie weiterentwickelt und Millionen dieser Übergänge zusammen mit Standardelektronik auf einem einzigen Chip untergebracht werden können, könnten ähnliche Prozessoren deutlich größere reale Aufgaben in Planung, Routing und Design übernehmen. Anstatt Allgemein‑ oder Quantencomputer zu ersetzen, bieten solche probabilistischen magnetischen Maschinen einen praktischen kurzfristigen Weg zu schnellerer Optimierung, indem sie der Natur selbst erlauben, das Möglichkeitslandskap zu erkunden.

Zitation: Yang, S., Bao, Y., Humianto, E. et al. A parallel magnetic tunnel junction-based probabilistic Ising processor for efficient quadratic optimization. Nat Commun 17, 4616 (2026). https://doi.org/10.1038/s41467-026-71128-1

Schlüsselwörter: probabilistisches Rechnen, magnetische Tunnelübergänge, quadratisches Zuordnungsproblem, Ising-Maschine, Hardware-Optimierung