Probabilistisia spintronisia prosessoreita

Monimutkaisten optimointiongelmien ratkaiseminen on keskeistä monille nykyaikaisille teknologioille, logistiikasta ja taloudellisesta mallintamisesta sirusuunnitteluun, viestintään ja tekoälyyn (AI). Näiden ongelmien kasvaessa perinteiset tietokoneet vaativat kuitenkin usein huomattavasti aikaa ja energiaa hyvien ratkaisujen etsimiseen.

Singaporen kansallisen yliopiston (NUS) professori Yang Hyunsoon johtama tutkimusryhmä on kehittänyt uutta spintronista laskentalaitteistoa, joka tarjoaa lupaavan reitin nopeampaan ja energiatehokkaampaan optimointiin.

Tiimi raportoi kahdesta viimeaikaisesta edistysaskeleesta, joissa esiteltiin magneettisiin tunneliliitoksiin perustuvia probabilistisia laskentajärjestelmiä. Nämä nanomittakaavan laitteet voivat luonnollisesti tuottaa viritettävää satunnaisuutta.

Kvanttilaskentaa on pitkään pidetty mahdollisena läpimurtona optimoinnissa, mutta käytännön kvanttiedun saavuttaminen on edelleen vaikeaa lähitulevaisuudessa. NUS-tiimin työ osoittaa, että skaalautuvalla spintronisella laitteistolla rakennettu probabilistinen laskenta voisi tarjota nopeamman ja laitteistotehokkaamman polun.

Kokeissaan tiimi vertasi järjestelmäänsä huippuluokan D-Wave-kvanttihehkutusjärjestelmiin. Testatuissa kvadraattisissa allokaatio-ongelmissa spintroninen probabilistinen prosessori tuotti johdonmukaisesti toteuttamiskelpoisia ja korkealaatuisia ratkaisuja koko aineistoon, kun taas kvanttihehkutusjärjestelmillä oli vaikeuksia palauttaa toteuttamiskelpoisia ratkaisuja ongelman koon kasvaessa. Tämä vertailu korostaa spintronisen probabilistisen laskennan potentiaalia käytännöllisenä lähiajan vaihtoehtona reaalimaailman optimointityökuormille.

”Kvanttilaskenta on edelleen jännittävä pitkän aikavälin suunta, mutta monet optimointiongelmat tarvitsevat käytännön ratkaisuja jo tänään”, sanoi professori Yang. ”Tuloksemme osoittavat, että spintroninen probabilistinen laskenta voi tuottaa merkittäviä parannuksia nopeudessa, energiatehokkuudessa ja ratkaisujen laadussa käyttämällä laitteistoalustaa, joka on paljon lähempänä käytännön käyttöönottoa.”

”Sen sijaan, että satunnaisuutta käsiteltäisiin virhelähteenä, käytämme sitä laskennan resurssina”, sanoo Yang Shuhan, tohtoriopiskelija NUS:n suunnittelun ja tekniikan tiedekunnassa ja molempien artikkelien ensimmäinen kirjoittaja. ”Yhdistämällä stokastisia magneettisia laitteita rinnakkaisiin arkkitehtuureihin ja edistyneisiin hehkutusalgoritmeihin voimme nopeuttaa optimointia ja samalla vähentää energiankulutusta.”

Tulevaisuudessa tiimin tavoitteena on skaalata laitteistoa edelleen ja tutkia sirupohjaisia arkkitehtuureja laajamittaiseen probabilistiseen laskentaan.

Tällaiset järjestelmät voisivat lopulta tukea energiatehokkaita laskenta-alustoja tekoälylle, logistiikalle, aikataulutukselle, talousmallinnukselle, viestinnälle ja elektronisen suunnittelun automatisoinnille.

Aiheesta aiemmin:

Spintronisen probabilistisen laskennan skaalautuvuus

Neurokvanttihyppy optimaalisten ratkaisujen löytämisessä