[논문 리뷰] Cryogenic in-memory computing using magnetic topological insulators

Yuting Liu, Albert Lee외 18명|arXiv (Cornell University)|2022. 09. 20.

Advanced Memory and Neural Computing인용 수 5

한 줄 요약

이 논문은 자성 토폴로지컬 절연체를 메모리 저항기로 사용하는 냉동온도에서의 내장형 계산 아키텍처를 제안하며, 나선형 모서리 상태와 토폴로지적 표면 상태를 활용하여 고에너지 효율성, 높은 안정성, 낮은 확률적 변동성의 스위칭을 실현한다. 네 개의 메모리 저항기를 사용하여 고정밀 분류를 달성하였고, 이미지 인식 및 양자 상태 준비와 같은 대규모 신경망 시뮬레이션에서 기존 CMOS 및 전통적인 자성 메모리 저항기 기술 대비 뛰어난 에너지 효율성과 정확도를 입증하였다.

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.

연구 동기 및 목표

• 양자계산을 위한 기계학습 알고리즘의 효율적인 하드웨어 구현을 가능하게 하기 위해.
• 기존의 냉동온도 내장형 계산 기술의 에너지 소비와 안정성 한계를 해결하기 위해.
• 토폴로지 물질에서의 나선형 모서리 상태를 컴퓨팅에 새로운 응용으로 탐색하기 위해.
• 양자계산 환경과 호환되는 확장 가능하고 에너지 효율적인 내장형 계산 플랫폼을 개발하기 위해.
• CMOS 및 자성 메모리 저항기 기반 시스템 대비 이미지 인식 및 양자 상태 준비 과제에서 향상된 성능을 입증하기 위해.

제안 방법

• 나선형 모서리 상태와 토폴로지적 표면 상태의 공존을 이용하는 자성 토폴로지컬 절연체를 메모리 저항기(자성 토폴로지컬 메모리 저항기)로 활용한다.
• 기하학적 이상 홀 효과를 활용하여 메모리 저항 스위칭과 읽기를 수행함으로써 고에너지 효율성과 낮은 확률적 변동성을 달성한다.
• 저온에서 안정적으로 작동하는 냉동온도 내장형 계산 기반 설계를 통해 양자 프로세서와의 통합에 적합하다.
• 성능과 에너지 효율성을 평가하기 위해 대규모 신경망의 알고리즘 수준 및 회로 수준 시뮬레이션을 수행한다.
• 네 개의 자성 토폴로지컬 메모리 저항기를 사용한 개념 증명 분류 과제를 통해 접근을 검증한다.
• 정확도 및 에너지 소비 측면에서 CMOS 및 기존 자성 메모리 저항기 기반 기술과의 체계적 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 자성 토폴로지컬 절연체는 냉동온도에서 안정적이고 에너지 효율적인 메모리 저항기로 기능할 수 있는가?
• RQ2 나선형 모서리 상태와 토폴로지적 표면 상태의 공존은 안정적인 내장형 계산을 어떻게 가능하게 하는가?
• RQ3 자성 토폴로지컬 메모리 저항기를 기반으로 한 냉동온도 내장형 계산 시스템의 분류 및 신경망 과제에서의 성능은 어떠한가?
• RQ4 이 아키텍처는 CMOS 및 기존 자성 메모리 저항기 기반 시스템과 비교해 에너지 효율성과 정확도 측면에서 어떻게 다른가?
• RQ5 이 플랫폼은 양자 오류 정정 및 양자 상태 준비와 같은 양자계산 과제를 효과적으로 지원할 수 있는가?

주요 결과

• 기하학적 이상 홀 효과 덕분에 자성 토폴로지컬 메모리 저항기는 고에너지 효율성, 고안정성, 낮은 확률적 변동성을 나타낸다.
• 개념 증명 분류 과제에서 네 개의 자성 토폴로지컬 메모리 저항기만으로도 높은 정확도를 달성하였다.
• 회로 수준 시뮬레이션 결과, CMOS 및 자성 메모리 저항기 기반 시스템 대비 이미지 인식 과제에서 더 낮은 에너지 소비와 더 높은 소프트웨어 수준의 정확도를 보였다.
• 알고리즘 수준 시뮬레이션은 양자 상태 준비 과제에서 뛰어난 성능을 보이며, 이는 양자계산 응용에 적합함을 시사한다.
• 냉동온도에서 높은 신뢰성과 낮은 오류율을 유지하여 양자 프로세서와의 통합이 가능하다.
• 결과적으로, 확장 가능하고 저전력 뉴로모픽 시스템을 위한 잠재력이 있는 토폴로지 물질 기반 컴퓨팅의 새로운 플랫폼을 확립하였다.