[論文レビュー] Cryogenic in-memory computing using magnetic topological insulators

Yuting Liu, Albert Lee+18 more|arXiv (Cornell University)|Sep 20, 2022

Advanced Memory and Neural Computing被引用数 5

ひとこと要約

本論文は、磁性トポロジカル絶縁体をメモリストアとして用いた低温超伝導メモリ内計算アーキテクチャを提案する。キラルエッジ状態とトポロジカル表面状態を活用することで、高エネルギー効率、安定性、低確率的ノイズのスイッチングを実現する。4つのメモリストアを用いた高精度分類を達成し、画像認識および量子状態準備のための大規模ニューラルネットワークシミュレーションにおいて、CMOSおよび従来の磁性メモリストア技術に比べ優れたエネルギー効率と精度を示す。

ABSTRACT

Machine learning algorithms have been proven effective for essential quantum computation tasks such as quantum error correction and quantum control. Efficient hardware implementation of these algorithms at cryogenic temperatures is essential. Here, we utilize magnetic topological insulators as memristors (termed magnetic topological memristors) and introduce a cryogenic in-memory computing scheme based on the coexistence of the chiral edge state and the topological surface state. The memristive switching and reading of the giant anomalous Hall effect exhibit high energy efficiency, high stability, and low stochasticity. We achieve high accuracy in a proof-of-concept classification task using four magnetic topological memristors. Furthermore, our algorithm-level and circuit-level simulations of large-scale neural networks demonstrate software-level accuracy and lower energy consumption for image recognition and quantum state preparation compared with existing magnetic memristor and CMOS technologies. Our results not only showcase a new application of chiral edge states but also may inspire further topological quantum physics-based novel computing schemes.

研究の動機と目的

• 量子計算のための低温環境下における機械学習アルゴリズムの効率的ハードウェア実装を可能にする。
• 既存の低温メモリ内計算技術におけるエネルギー消費および安定性の限界を解決する。
• トポロジカル材料におけるキラルエッジ状態を計算分野に応用する新しい可能性を探索する。
• 量子計算環境と互換性を持つスケーラブルでエネルギー効率の高いメモリ内計算プラットフォームを開発する。
• CMOSおよび磁性メモリストアベースのシステムに比べ、画像認識および量子状態準備の分野で性能向上を実証する。

提案手法

• キラルエッジ状態とトポロジカル表面状態の共存を利用する磁性トポロジカル絶縁体をメモリストア（磁性トポロジカルメモリストア）として採用する。
• 巨大な異常ホール効果を用いてメモリストアのスイッチングと読み取りを実現し、高エネルギー効率と低確率的ノイズを達成する。
• 低温で安定に動作する低温メモリ内計算方式を設計し、量子プロセッサとの統合に適した構成を実現する。
• 性能とエネルギー効率を評価するため、大規模ニューラルネットワークのアルゴリズムレベルおよび回路レベルのシミュレーションを実施する。
• 4つの磁性トポロジカルメモリストアを用いた概念実証分類タスクにより、手法の有効性を検証する。
• エネルギー消費と精度の観点から、CMOSおよび従来の磁性メモリストア技術と、システムレベルでの性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 磁性トポロジカル絶縁体は低温環境下でも安定的かつ高エネルギー効率のメモリストアとして機能可能か？
• RQ2 キラルエッジ状態とトポロジカル表面状態の共存が、信頼性の高いメモリ内計算をどのように可能にするか？
• RQ3 磁性トポロジカルメモリストアを基盤とする低温メモリ内計算システムの分類およびニューラルネットワークタスクにおける性能はいかほどか？
• RQ4 CMOSおよび従来の磁性メモリストアベースのシステムに比べ、このアーキテクチャのエネルギー効率と精度はどの程度優れているか？
• RQ5 このプラットフォームは、量子エラー訂正や量子状態準備といった量子計算タスクを効果的に支援できるか？

主な発見

• 巨大な異常ホール効果のおかげで、磁性トポロジカルメモリストアは高エネルギー効率、高安定性、低確率的ノイズを実現する。
• 概念実証分類タスクにおいて、4つの磁性トポロジカルメモリストアのみで高精度な分類が達成された。
• 回路レベルのシミュレーションにより、CMOSおよび磁性メモリストアベースのシステムに比べ、画像認識タスクで低いエネルギー消費と高いソフトウェアレベルの精度を示した。
• アルゴリズムレベルのシミュレーションでは、量子状態準備タスクにおいて優れた性能を示し、量子計算応用に適していることが示された。
• 低温環境下でも高い信頼性と低誤り率を維持でき、量子プロセッサとの統合が可能である。
• 本研究の結果は、トポロジカル材料を基盤とする計算プラットフォームを確立し、スケーラブルで低消費電力なニューロモーフィックシステムの実現に向けた新たな道筋を示した。