En parallell magnetisk tunnelförbindelse-baserad probabilistisk Ising-processor för effektiv kvadratisk optimering

Varför snabbare problemlösning spelar roll

Från planering av leveransrutter till att placera maskiner på en fabriksyta döljer många vardagliga uppgifter ett djupt pussel i grunden: hur man väljer det bästa arrangemanget bland ett enormt antal möjligheter. När dessa problem växer kan även kraftfulla datorer ta lång tid och förbruka mycket energi. Denna artikel beskriver en ny typ av specialiserad hårdvara som använder små magnetiska enheter och kontrollerad slumpmässighet för att söka efter bra svar mycket snabbare och mer effektivt än standardchip, och som till och med kan konkurrera med moderna kvantmaskiner.

Ett pussel om att matcha platser och uppgifter

Ett av de svåraste exemplen på dessa pussel kallas det kvadratiska tilldelningsproblemet. Det fångar situationer där flera anläggningar måste tilldelas flera platser, och kostnaden beror inte bara på avstånd utan också på hur starkt varje par av anläggningar interagerar. Till skillnad från enklare problem där varje stad eller punkt bara påverkas av ett fåtal grannar kan här varje par av val påverka varje annat. Detta täta nätverk av interaktioner gör att antalet möjliga arrangemang exploderar, och traditionella metoder kämpar ofta när problemet blir större än några dussin anläggningar. Eftersom liknande mönster dyker upp i chipdesign, datacenter och bioinformatik kan en bättre metod för att hantera detta pussel gynna många industrier.

Använda magnetism för att utnyttja slumpen

Forskarna bygger vidare på ett fysikaliskt system känt som Ising-modellen, där varje variabel är som en liten spinn som kan peka i en av två riktningar. Den bästa lösningen på pusslet motsvarar arrangemanget med lägst energi för alla dessa spinn. För att utforska olika arrangemang använder deras maskin magnetiska tunnelförbindelser, samma grundläggande komponenter som finns i magnetiska minneskretsar. Varje förbindelse innehåller ett fixerat magnetiskt lager och ett fritt lager separerade av en tunn barriär. När en kort spänningspuls appliceras kan det fria lagret växla riktning på ett slumpmässigt men kontrollerbart sätt. Genom att justera pulsen kan teamet ställa in hur sannolikt det är att varje element byter riktning, och förvandlar dessa förbindelser till både slumpgenererare och beslutsfattare som följer Ising-modellens regler.

En mycket parallell magnetisk processor

Kärnan i systemet är ett kort som rymmer 144 av dessa magnetiska enheter, grupperade i processelement och drivna av digital-till-analog- och analog-till-digital-omvandlare kopplade till en fältprogrammerbar grindmatris (FPGA). I varje steg av sökningen beräknar FPGA:n hur den totala energin skulle förändras om någon enskild spinn vände sig och översätter dessa värden till spänningar för alla förbindelser samtidigt. Varje enhet bestämmer sedan självständigt om den ska byta riktning, baserat på sin inbyggda slumpmässighet. En smart krets kallad en arbiter använder fler slumpbitar från ytterligare förbindelser för att välja vilken accepterad växling som faktiskt genomförs, så att hela processen fortfarande följer de korrekta statistiska reglerna. Innan de kör problem kalibrerar teamet noggrant varje förbindelse så att dess växlingsbeteende följer en standard S-formad kurva, vilket förbättrar konsekvensen över arrayen.

Slår konventionella och kvantliknande metoder

Författarna testar sin magnetiska processor på en uppsättning tilldelningsproblem i ökande storlek och jämför den med mjukvara som körs på en kraftfull centralprocessor, ett kraftfullt grafikkort och kommersiell kvantannealingshårdvara från D-Wave. Med en metod kallad parallell-försöks-annealing, där många kandidatväxlingar utvärderas samtidigt, når deras system nästintill optimala svar upp till 123 gånger snabbare än en standardiserad simulerad annealing-algoritm som körs på samma hårdvara, samtidigt som det använder 98,3 procent mindre energi. Jämfört med en noggrant kodad version på en konventionell processor levererar det fortfarande mer än tre gånger snabbare prestanda och stora energibesparingar. För kvantmaskinerna visar studien att de endast på ett tillförlitligt sätt kan hantera de allra minsta testfallen för detta helt anslutna problem, och ofta misslyckas med att returnera giltiga lösningar när storleken växer, medan den magnetiska processorn behåller hög lösningskvalitet över hela spannet.

Vad detta betyder för framtidens beräkning

Arbetet visar att genom att koppla samman fysik och algoritmer tätt är det möjligt att bygga kompakt, energieffektiv hårdvara skräddarsydd för en viss klass av svåra problem. När magnetisk minnestechnologi mognar och miljontals av dessa förbindelser kan packas på ett enda chip tillsammans med standardelektronik, skulle liknande processorer kunna hantera mycket större verkliga uppgifter inom schemaläggning, ruttplanering och design. Istället för att ersätta allmänt brukbara eller kvantdatorer erbjuder sådana probabilistiska magnetiska maskiner en praktisk kortsiktig väg till snabbare optimering genom att låta naturen själv utforska möjligheternas landskap.

Citering: 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

Nyckelord: probabilistisk beräkning, magnetiska tunnelförbindelser, kvadratiskt tilldelningsproblem, Ising-maskin, hårdvaruoptimering