Первый спинтронический p-бит, созданный на кремниевой микросхеме, знаменует собой важный этап в области вероятностных вычислений

Понимание прорыва спинтронического p-бита

Как сообщает НВ — Техно: Исследователи из Университета Тохоку и Национального института стандартов и технологий США (NIST) представили первый в мире спинтронический p-бит, изготовленный непосредственно на кремниевой микросхеме с использованием стандартных технологий производства полупроводников. Эта инновация приближает вероятностные вычисления к практическому применению, особенно для задач искусственного интеллекта и машинного обучения.

Как это было сделано и что он делает

Проект был возглавлен исследователем Ён Чу-Йонгом. Команда использовала технологию 130-нм CMOS от SkyWater Technology для создания транзисторов и снижения слоев соединений. После завершения стадии CMOS на микросхему были интегрированы суперпарамагнитные наноустройства и верхние электроды. Это сочетание позволило успешно разработать p-бит, основной строительный блок для систем вероятностных вычислений.

Во время испытаний микросхема продемонстрировала две важные характеристики p-бита:

• Её выходное напряжение колебалось произвольно со временем;
• Средний выход мог контролироваться за счет регулировки входного напряжения.

«Наноширокие магнитные устройства естественным образом вызывают вероятностное поведение через магнитные колебания», объяснили исследователи.

Эта достижения знаменует собой первое экспериментальное демонстрацию спинтронического p-бита, мономорфно интегрированного в кремниевую микросхему с использованием стандартных методов производства интегральных схем.

Создание спинтронического p-бита на кремниевой платформе представляет собой значительный прорыв как для квантовых вычислений, так и для спинтроники, так как открывает новые пути для обработки информации на основе вероятностных моделей. Это также подчеркивает, как традиционные технологии производства полупроводников могут быть использованы для создания вычислительных устройств следующего поколения, потенциально повышающих эффективность алгоритмов ИИ и машинного обучения, а также формирующих будущие разработки в этой области.