Processeur probabiliste à jonctions tunnel magnétiques parallèles pour une optimisation quadratique efficace

Pourquoi une résolution plus rapide des problèmes est importante

De la planification des itinéraires de livraison à l'agencement des machines sur un atelier, de nombreuses tâches quotidiennes dissimulent un casse‑tête profond : comment choisir la meilleure disposition parmi un nombre énorme de possibilités. À mesure que ces problèmes grandissent, même des ordinateurs puissants peuvent mettre beaucoup de temps et consommer énormément d'énergie. Cet article décrit un nouveau type de matériel spécialisé qui utilise de minuscules dispositifs magnétiques et de l'aléa contrôlé pour rechercher des bonnes solutions bien plus rapidement et de façon plus efficace que les puces classiques, et rivaliser même avec des machines quantiques modernes.

Un puzzle d'attribution de lieux et de tâches

Un des exemples les plus difficiles de ces casse‑têtes est le problème d'affectation quadratique. Il représente des situations où plusieurs installations doivent être assignées à plusieurs emplacements, et le coût dépend non seulement de la distance mais aussi de l'intensité d'interaction entre chaque paire d'installations. Contrairement à des problèmes plus simples où chaque ville ou point ne se soucie que de quelques voisins, ici chaque paire de choix peut affecter toutes les autres. Cette toile dense d'interactions fait exploser le nombre d'agencements possibles, et les méthodes traditionnelles peinent souvent dès que le problème dépasse quelques dizaines d'installations. Comme des motifs similaires apparaissent dans la conception de puces, les centres de données et la bioinformatique, trouver une meilleure façon d'aborder ce puzzle pourrait aider de nombreuses industries.

Utiliser le magnétisme pour exploiter l'aléatoire

Les chercheurs s'appuient sur un système physique connu sous le nom de modèle d'Ising, où chaque variable est comme un petit spin pouvant pointer dans l'un des deux sens. La meilleure solution au problème correspond à l'arrangement d'énergie minimale de tous ces spins. Pour explorer différents agencements, leur machine utilise des jonctions tunnel magnétiques, les mêmes éléments de base que l'on trouve dans les mémoires magnétiques. Chaque jonction comporte une couche magnétique fixe et une couche libre séparées par une barrière fine. Lorsqu'une brève impulsion de tension est appliquée, la couche libre peut inverser sa direction de façon aléatoire mais contrôlable. En réglant l'impulsion, l'équipe peut définir la probabilité que chaque élément bascule, transformant effectivement ces jonctions à la fois en générateurs de nombres aléatoires et en décideurs qui suivent les règles du modèle d'Ising.

Un processeur magnétique hautement parallèle

Le cœur du système est une carte qui héberge 144 de ces dispositifs magnétiques, regroupés en éléments de traitement et pilotés par des convertisseurs numérique‑vers‑analogique et analogique‑vers‑numérique connectés à une matrice logique programmable sur site (FPGA). À chaque étape de la recherche, le FPGA calcule comment l'énergie totale changerait si un spin individuel basculait et traduit ces valeurs en tensions pour toutes les jonctions simultanément. Chaque dispositif décide ensuite indépendamment s'il doit basculer, en se basant sur son aléa intrinsèque. Un circuit ingénieux appelé arbitre utilise davantage de bits aléatoires provenant de jonctions supplémentaires pour choisir quelle bascule acceptée est effectivement réalisée, de sorte que le processus global respecte toujours les règles statistiques correctes. Avant d'exécuter les problèmes, l'équipe calibre soigneusement chaque jonction pour que son comportement de commutation suive une courbe en S standard, améliorant la cohérence sur l'ensemble du réseau.

Surpasser les approches conventionnelles et de type quantique

Les auteurs testent leur processeur magnétique sur une série de problèmes d'affectation de taille croissante, en le comparant à un logiciel tournant sur un processeur central haut de gamme, une carte graphique puissante, et du matériel commercial d'annealing quantique de D‑Wave. En utilisant un schéma appelé annealing à essais parallèles, où de nombreux candidats de basculement sont évalués en même temps, leur système atteint des réponses quasi‑optimales jusqu'à 123 fois plus rapidement qu'un algorithme d'annealing simulé standard exécuté sur le même matériel, tout en consommant 98,3 % d'énergie en moins. Comparé à une version finement optimisée sur un processeur conventionnel, il offre encore plus de trois fois l'accélération et d'importantes économies d'énergie. Pour les machines quantiques, l'étude montre qu'elles ne peuvent traiter de manière fiable que les tout premiers cas tests pour ce problème complètement connecté, échouant souvent à fournir des solutions valides lorsque la taille augmente, tandis que le processeur magnétique conserve une haute qualité de solution sur toute la gamme.

Ce que cela signifie pour l'informatique future

Ce travail montre qu'en couplant étroitement la physique et les algorithmes, il est possible de construire du matériel compact et économe en énergie, adapté à une classe spécifique de problèmes difficiles. À mesure que la technologie de mémoire magnétique mûrit et que des millions de ces jonctions pourront être intégrées sur une seule puce aux côtés de l'électronique classique, des processeurs similaires pourraient s'attaquer à des tâches réelles beaucoup plus vastes en planification, routage et conception. Plutôt que de remplacer les ordinateurs polyvalents ou quantiques, ces machines magnétiques probabilistes offrent une voie pratique à court terme vers une optimisation plus rapide en laissant la nature elle‑même explorer le paysage des possibilités.

Citation: 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

Mots-clés: calcul probabiliste, jonctions tunnel magnétiques, problème d'affectation quadratique, machine d'Ising, optimisation matérielle