When Nanomagnets Do the Math: France’s New Machine for Impossible Choices
French researchers have demonstrated a hybrid nanoelectronic “Ising machine” designed to solve difficult combinatorial optimization problems more efficiently. The experimental system combines two emerging device technologies—resistive memory and spintronics—to perform parts of an optimization algorithm through the natural physics of its components, potentially reducing the energy and time consumed by conventional processors.
프랑스 연구진이 복잡한 조합 최적화 문제를 더욱 효율적으로 해결하도록 설계된 하이브리드 나노전자 '이징 머신(Ising machine)'을 시연했습니다. 이 실험적 시스템은 저항성 메모리와 스핀트로닉스라는 두 가지 신흥 소자 기술을 결합하여 소자의 물리적 특성을 통해 최적화 알고리즘의 일부를 수행함으로써, 기존 프로세서가 소비하는 에너지와 시간을 잠재적으로 줄여줍니다.
The work was conducted by researchers from CEA-Leti and Spintec in Grenoble and the Centre for Nanoscience and Nanotechnology at Université Paris-Saclay. Reported in Nature Communications, the project combines hafnium-oxide resistive random-access memory, or ReRAM, with stochastic magnetic tunnel junctions, known as SMTJs. The published paper describes the resulting system as an Ising machine with “intrinsic annealing.”
이 연구는 그르노블의 CEA-Leti와 Spintec, 그리고 파리-사클레 대학교(Université Paris-Saclay)의 나노과학 및 나노기술 센터(Centre for Nanoscience and Nanotechnology) 소속 연구진이 수행했습니다. '네이처 커뮤니케이션즈(Nature Communications)'에 발표된 이 프로젝트는 산화하프늄 기반의 저항성 랜덤 액세스 메모리(ReRAM)와 확률적 자기 터널 접합(stochastic magnetic tunnel junctions, SMTJ)을 결합했습니다. 발표된 논문은 이 결과물인 시스템을 "내재적 어닐링(intrinsic annealing)을 갖춘 이징 머신"으로 묘사하고 있습니다.
Combinatorial optimization involves selecting the best solution from an enormous number of possibilities. Examples include finding an efficient delivery route, scheduling factory operations, balancing an electrical grid, assigning computing resources and designing integrated circuits. Such problems become extremely demanding as their size increases because the number of possible configurations can grow exponentially.
조합 최적화는 엄청나게 많은 가능성 중에서 가장 최선의 해결책을 찾아내는 것입니다. 예를 들어 효율적인 배송 경로 찾기, 공장 작업 일정 관리, 전력망 균형 맞추기, 컴퓨팅 자원 할당, 집적회로 설계 등이 있습니다. 이러한 문제들은 규모가 커질수록 가능한 구성의 수가 기하급수적으로 늘어나기 때문에 극도로 까다로워집니다.
An Ising machine reformulates an optimization problem using binary variables resembling magnetic spins, each of which can occupy one of two states. Relationships between those variables encode the problem’s constraints and objectives. The machine repeatedly changes their states, seeking a configuration with the lowest overall “energy.” That low-energy state corresponds to an optimal or near-optimal answer.
이징 머신은 자기 스핀과 유사한 이진 변수를 사용하여 최적화 문제를 재구성하며, 각 변수는 두 가지 상태 중 하나를 가질 수 있습니다. 이러한 변수 간의 관계는 문제의 제약 조건과 목표를 인코딩합니다. 머신은 전체적인 '에너지'가 가장 낮은 구성을 찾기 위해 변수의 상태를 반복적으로 변경합니다. 이 저에너지 상태는 최적 또는 최적에 가까운 정답에 해당합니다.
The French prototype divides this work between two complementary technologies. ReRAM devices store the weighted connections that describe how variables influence one another. Because a ReRAM crossbar can perform analog matrix operations where data are stored, it can reduce the costly movement of information between memory and a processor. The SMTJs represent the binary variables. Driven by thermal noise, they naturally fluctuate between states, providing the controlled randomness needed to explore potential solutions.
프랑스의 프로토타입은 이 작업을 두 가지 상보적인 기술로 나누어 수행합니다. ReRAM 소자는 변수들이 서로에게 미치는 영향을 설명하는 가중치 연결을 저장합니다. ReRAM 크로스바는 데이터가 저장된 위치에서 아날로그 행렬 연산을 수행할 수 있으므로, 메모리과 프로세서 간의 비용이 많이 드는 데이터 이동을 줄일 수 있습니다. SMTJ는 이진 변수를 나타냅니다. 열 노이즈에 의해 구동되는 SMTJ는 상태 사이에서 자연스럽게 변동하며, 잠재적인 해를 탐색하는 데 필요한 제어된 무작위성(randomness)을 제공합니다.
That randomness is central to the innovation. An optimizer that always moves directly downhill can become trapped in a local minimum—a solution that appears good nearby but is inferior to another configuration elsewhere. Annealing begins with stronger fluctuations, allowing the system to escape such traps, and then gradually reduces them so the variables settle into a stable answer.
이 무작위성은 혁신의 핵심입니다. 항상 내리막길로만 이동하는 최적화 도구는 국소 최솟값(local minimum)—언뜻 보기에는 좋아 보이지만 다른 곳의 다른 구성에 비하면 열등한 해—에 갇힐 수 있습니다. 어닐링은 더 강한 변동으로 시작하여 시스템이 이러한 함정에서 벗어날 수 있도록 한 뒤, 변동을 점진적으로 줄여 변수들이 안정적인 정답으로 수렴하도록 만듭니다.
In this architecture, the researchers control that process by adjusting a single read voltage applied to the ReRAM array. As the voltage changes, the influence of the stored problem progressively dominates the SMTJs’ thermal fluctuations. The hardware therefore produces an annealing schedule through the direct interaction of its components, requiring less elaborate control circuitry.
이 아키텍처에서 연구진은 ReRAM 어레이에 인가되는 단일 읽기 전압을 조절하여 이 과정을 제어합니다. 전압이 변함에 따라 저장된 문제의 영향력이 SMTJ의 열적 변동보다 점차 우세해집니다. 따라서 하드웨어는 소자 간의 직접적인 상호작용을 통해 어닐링 일정을 생성하므로, 복잡한 제어 회로가 덜 필요합니다.
The proof-of-concept machine consistently reached the global optimum in a 24-vertex weighted MAX-CUT benchmark and a 10-vertex, three-color graph-coloring problem. It operated at room temperature without an applied magnetic field—important practical conditions for eventual integration. The researchers also emphasize that ReRAM, magnetic tunnel junctions and CMOS circuitry are compatible with back-end-of-line fabrication and vertical three-dimensional integration. CEA-Leti’s announcement presents the experiment as a step beyond demonstrations of isolated devices.
개념 증명 머신은 24개의 꼭짓점을 가진 가중치 MAX-CUT 벤치마크와 10개의 꼭짓점을 가진 3색 그래프 채색 문제에서 일관되게 전역 최적점에 도달했습니다. 이 시스템은 자기장을 인가하지 않고 상온에서 작동했으며, 이는 향후 상용화 통합을 위해 중요한 실용적 조건입니다. 연구진은 또한 ReRAM, 자기 터널 접합, 그리고 CMOS 회로가 백엔드 공정(back-end-of-line) 및 수직 3차원 통합과 호환된다고 강조합니다. CEA-Leti의 발표는 이 실험을 단일 소자 시연을 넘어선 한 단계 도약으로 제시하고 있습니다.
Why does it matter? Much of modern computing’s energy is spent moving data and executing instructions rather than performing essential arithmetic. This machine instead stores problem coefficients, generates randomness and updates variables close to—or directly through—the devices themselves. A mature implementation could become a compact accelerator for optimization-intensive workloads.
이것이 왜 중요할까요? 현대 컴퓨팅 에너지의 상당 부분은 필수적인 산술 연산을 수행하는 것보다 데이터를 이동하고 명령어를 실행하는 데 소모됩니다. 반면 이 머신은 소자 자체에서—또는 소자를 직접 통해—문제 계수를 저장하고, 무작위성을 생성하며, 변수를 업데이트합니다. 성숙한 구현체는 최적화 집약적 워크로드를 위한 소형 가속기가 될 수 있습니다.
Bottom line: This remains a small experimental prototype, not evidence of superiority over leading conventional solvers. Updates are currently sequential, external feedback is still used for measurement, and comparative speed and energy benefits have not yet been quantified. The next tests must integrate control electronics, operate variables in parallel, scale to substantially larger problems and benchmark complete systems fairly. If those challenges are overcome, nanosecond switching and direct device coupling could turn this hybrid architecture into a valuable, highly efficient companion to general-purpose computers.
요약하자면: 이것은 선도적인 기존 솔버에 비해 우수함을 입증하는 증거가 아니라, 여전히 소규모의 실험적 프로토타입입니다. 업데이트는 현재 순차적으로 이루어지고 있고, 측정을 위해 여전히 외부 피드백이 사용되며, 비교 가능한 속도와 에너지 이점은 아직 정량화되지 않았습니다. 다음 단계의 테스트에서는 제어 전자에 대한 통합, 변수의 병렬 연산, 실질적으로 더 큰 문제로의 확장, 그리고 완전한 시스템에 대한 공정한 벤치마크가 이루어져야 합니다. 이러한 과제들이 극복된다면, 나노초 단위의 스위칭과 직접적인 소자 결합을 통해 이 하이브리드 아키텍처는 범용 컴퓨터의 가치 있고 매우 효율적인 동반자로 거듭날 수 있을 것입니다.
