![]()
【做计算 找华算】理论计算助攻顶刊，50000+成功案例，全职海归技术团队、正版商业软件版权！
随着量子计算技术的发展，如何高效处理量子计算过程中的大量数据和实现高效的量子错误校正，成为了一个核心挑战。在此背景下，内存计算技术，尤其是基于磁性拓扑绝缘体（MTI）的存储元件，因其优异的能效和操作稳定性，成为量子计算研究的热点。量子计算的存储和处理需求通常被瓶颈问题（例如冯·诺依曼瓶颈）限制，导致计算速度和能效的双重挑战。内存计算（in-memory computing）利用存储单元直接进行计算操作，从而消除了计算与存储之间繁重的数据传输，降低了能源消耗，提升了计算效率。磁性拓扑绝缘体作为新型材料，在低温下展现了独特的电学特性，特别是在量子信息处理和内存计算中具有巨大的潜力。基于此，香港科技大学邵启明教授团队提出了一种新型的低温内存方案，利用磁性拓扑绝缘体中的旋量边缘态（CESs）实现了高效的计算与存储功能。通过实验验证，研究团队展示了基于这种材料的存储元件（MTMs）的可编程性和稳定性，能有效支持机器学习和量子计算任务。该研究以《Cryogenic in-memory computing using magnetic topological insulators》为题，发表于《Nature Materials》期刊。邵启明，香港科技大学助理教授， 主要研究方向为自旋电子器件、存算一体技术等，担任IEEE 香港磁学学会主席 (2023-)，IEEE 香港电子器件和固态电路联合分会主席 (2020-21)，npj spintronics副主编。代表性工作发表在顶级同行评审期刊和会议上，包括 Nature Nanotechnology、Nature Electronics、Nature Communications、Nano Letters 和 International Electron Device Meeting。曾获得2022年IEEE磁学学会青年成就奖和加州大学洛杉矶分校杰出博士论文奖、2018-2019年度博士论文奖学金、2019年中国政府优秀自费留学生奖、2018年国际磁学会议最佳海报奖两项 ，以及 2015 年高通创新奖学金入围者。1、基于磁性拓扑绝缘体的内存计算：本文提出的方案利用磁性拓扑绝缘体的旋量边缘态（CESs）进行内存计算，实现了低温下的高效能量传输与数据处理。2、低温操作下的高稳定性与低功耗：实验结果表明，使用该技术的存储元件在2K温度下展现了极高的稳定性和能效，满足量子计算和神经网络应用的需求。3、机器学习任务验证：通过iris花卉数据集的分类任务，证明了该系统在多分类问题中的优越表现，分类精度达到96%。图1展示了磁性拓扑绝缘体（MTI）器件的基本电学性质及其在低温下的性能。该图的左侧显示了MTI的能带结构，重点介绍了磁性拓扑绝缘体中的两种关键电子态：拓扑表面态（TSS）和旋量边缘态（CES）。其中，红色箭头表示表面态的自旋方向，强调了自旋-动量锁定现象，这一现象是拓扑材料的标志之一。右侧则展示了旋量边缘态（CESs）和拓扑表面态（TSSs）共存的机制，这种共存效应在低温下具有重要的电学表现。在2K的低温下，图中显示了异常霍尔效应（AHE）的实验数据，表明该器件在低温下具有巨大的霍尔电阻（AHR），并且随着电流密度的变化，霍尔电阻表现出明显的变化趋势。通过示意图展示了不同的磁化态与电流引发的霍尔电阻变化。实验表明，当电流密度发生变化时，霍尔电阻的变化符合预期，从而证明了CESs在该器件中发挥的关键作用。图2展示了MTI器件在写入与读取过程中的行为，重点分析了其在低温下的存储与计算性能。实验中使用了多次写入脉冲测试，得出了非常低的写入随机性（1.9%），这一结果表明MTI器件在写入过程中具有非常高的稳定性和重复性。测试中，器件的霍尔电阻在每次写入后都显示出一致的变化，表明其具备可靠的存储能力。图中的上半部分则展示了读取测试，经过90次读取脉冲后，霍尔电阻的波动非常小，读写误差仅为0.37%，远低于常规存储器件的误差水平。该测试结果表明，MTI器件在低温下不仅能够保持高稳定性，而且其读取过程的低误差也使其在内存计算中的应用前景更加广阔。图2还展示了实验设备的配置和测试流程，使用了多个MTI器件进行并行测试，这进一步验证了该技术的可扩展性。通过实验数据证明了MTI器件在实际应用中的高效能与低能耗，尤其适用于神经网络等计算任务中的硬件实现。图3展示了基于MTI的神经网络在MNIST手写数字识别和量子状态制备任务中的应用。图3a展示了神经网络的结构，采用了多层感知器（MLP）架构用于MNIST数据集的图像识别任务。在该任务中，输入图像经过预处理后，通过神经网络进行分类，并与传统浮点数网络进行了比较。图3b展示了不同网络（包括浮点数网络、MTI网络和单极网络）在MNIST任务中的准确性对比。结果表明，基于MTI的网络在准确性方面与浮点数网络相似，但其在能效和计算效率上具有显著优势，证明了MTI网络在高效计算中的潜力。图3c则展示了三种不同类型神经网络的最终权重矩阵，基于MTI的网络与浮点数网络的权重矩阵模式非常相似，而传统单极网络由于只能使用单极权重，导致其性能受到限制，难以达到优化的权重矩阵。图3d展示了一个量子比特状态准备任务的框架，通过强化学习来控制串联耦合的自旋状态。图3e和3f则分别展示了不同网络在量子态准备任务中的平均保真度与训练过程中的收敛情况。MTI网络的表现与浮点数网络相当，但在训练时间和能效上优于传统的单极网络，证明了其在量子计算中的应用潜力。本研究展示了一种新型的基于磁性拓扑绝缘体的低温内存计算方案，通过结合旋量边缘态（CESs）和拓扑表面态（TSSs），实现了在量子计算和神经网络模拟中具有高度能效和稳定性的内存计算架构。实验验证表明，该方案不仅可以应用于深度学习任务，且在量子计算任务中表现出较低的能耗和高效性。随着材料制备技术的进步，可以进一步优化MTI器件的性能，提升其在更大规模量子计算和高效内存计算中的应用潜力。同时，其他量子材料系统（如自旋轨道效应和拓扑量子态材料）也有望为低温内存计算提供新的解决方案。Cryogenic in-memory computing using magnetic topological insulators. Nature Materials, https://doi.org/10.1038/s41563-024-02088-4.🏅 我们提供专业的第一性原理、分子动力学、生物模拟、量子化学、机器学习、有限元仿真等代算服务。🎯我们的理论计算服务，累计助力5️⃣0️⃣0️⃣0️⃣0️⃣➕篇科研成果，计算数据已发表在Nature & Science正刊及大子刊、JACS、Angew、PNAS、AM系列等国际顶刊。👏👏👏
