Un processore Ising probabilistico basato su giunzioni magnetiche tunnel parallele per l'ottimizzazione quadratica efficiente

Perché risolvere i problemi più in fretta conta

Dalla pianificazione dei percorsi di consegna alla disposizione delle macchine in un reparto, molte attività quotidiane nascondono al loro interno un rompicapo profondo: come scegliere la migliore disposizione tra un numero enorme di possibilità. Man mano che questi problemi crescono, anche i computer più potenti possono impiegare molto tempo e consumare molta energia. Questo articolo descrive un nuovo tipo di hardware specializzato che usa piccoli dispositivi magnetici e casualità controllata per cercare buone soluzioni molto più velocemente e in modo più efficiente rispetto ai chip standard, arrivando persino a competere con macchine quantistiche moderne.

Un rompicapo di abbinare luoghi e compiti

Uno degli esempi più impegnativi di questi rompicapi è il cosiddetto problema di assegnazione quadratica. Rappresenta situazioni in cui più strutture devono essere assegnate a più posizioni, e il costo dipende non solo dalla distanza ma anche da quanto forte interagisce ogni coppia di strutture. A differenza di problemi più semplici in cui ogni città o punto si preoccupa solo di pochi vicini, qui ogni coppia di scelte può influenzare tutte le altre. Questa fitta rete di interazioni fa esplodere il numero di disposizioni possibili, e i metodi tradizionali spesso fanno fatica una volta che il problema supera poche decine di strutture. Poiché schemi simili compaiono nel design di chip, nei data center e nella bioinformatica, trovare un modo migliore per gestire questo rompicapo potrebbe aiutare molte industrie.

Sfruttare il magnetismo per domare la casualità

I ricercatori si basano su un sistema fisico noto come modello Ising, in cui ogni variabile è come un piccolo spin che può puntare in una delle due direzioni. La soluzione migliore al rompicapo corrisponde alla disposizione a energia minima di tutti questi spin. Per esplorare diverse disposizioni, la loro macchina usa giunzioni magnetiche tunnel, gli stessi elementi di base presenti nelle memorie magnetiche. Ogni giunzione contiene uno strato magnetico fisso e uno strato libero separati da una barriera sottile. Quando viene applicato un breve impulso di tensione, lo strato libero può capovolgersi in modo casuale ma controllabile. Regolando l'impulso, il team può impostare quanto è probabile che ciascun elemento si inverta, trasformando di fatto queste giunzioni sia in generatori di numeri casuali sia in decisori che seguono le regole del modello Ising.

Un processore magnetico altamente parallelo

Il cuore del sistema è una scheda che ospita 144 di questi dispositivi magnetici, raggruppati in elementi di elaborazione e pilotati da convertitori digitale-analogico e analogico-digitale collegati a una FPGA. In ogni passo della ricerca, la FPGA calcola come cambierebbe l'energia totale se singolo spin si capovolgesse e traduce quei valori in tensioni per tutte le giunzioni contemporaneamente. Ciascun dispositivo decide quindi in modo indipendente se capovolgersi, basandosi sulla sua casualità intrinseca. Un circuito intelligente chiamato arbitro usa ulteriori bit casuali provenienti da giunzioni aggiuntive per scegliere quale inversione accettata viene effettivamente eseguita, in modo che il processo complessivo segua ancora le corrette regole statistiche. Prima di eseguire i problemi, il team calibra accuratamente ogni giunzione in modo che il suo comportamento di commutazione segua una curva a S standard, migliorando la coerenza su tutta la matrice.

Sorpassare approcci convenzionali e in stile quantistico

Gli autori testano il loro processore magnetico su una serie di problemi di assegnazione di dimensioni crescenti, confrontandolo con software in esecuzione su una CPU di fascia alta, una potente GPU e hardware commerciale di annealing quantistico di D-Wave. Usando uno schema chiamato parallel-trial annealing, in cui molti candidati a inversione vengono valutati contemporaneamente, il loro sistema raggiunge risposte quasi ottimali fino a 123 volte più velocemente rispetto a un algoritmo di simulated annealing standard in esecuzione sullo stesso hardware, consumando il 98,3% in meno di energia. Rispetto a una versione accuratamente codificata su un processore convenzionale, offre ancora oltre tre volte di accelerazione e notevoli risparmi energetici. Per le macchine quantistiche, lo studio rileva che sono in grado di gestire in modo affidabile solo i casi di test più piccoli per questo problema completamente connesso, spesso fallendo nel restituire soluzioni valide con l'aumentare della dimensione, mentre il processore magnetico mantiene un'elevata qualità delle soluzioni su tutta la gamma.

Cosa significa per il futuro del calcolo

Il lavoro mostra che accoppiando strettamente fisica e algoritmi è possibile costruire hardware compatto ed energeticamente efficiente progettato per una specifica classe di problemi difficili. Man mano che la tecnologia delle memorie magnetiche matura e milioni di queste giunzioni potranno essere integrate su un singolo chip insieme all'elettronica standard, processori simili potrebbero affrontare compiti reali molto più grandi in pianificazione, instradamento e progettazione. Piuttosto che sostituire computer general-purpose o quantistici, tali macchine magnetiche probabilistiche offrono un percorso pratico a breve termine per un'ottimizzazione più rapida lasciando che sia la natura stessa a esplorare il paesaggio delle possibilità.

Citazione: 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

Parole chiave: calcolo probabilistico, giunzioni magnetiche tunnel, problema di assegnazione quadratica, macchina Ising, ottimizzazione hardware