Máy tính hiện tìm lời giải bằng hàng loạt phép tính: Ising machine mới để vật lý tự kéo hệ về trạng thái năng lượng thấp

Một CPU thông thường giải bài toán tối ưu bằng cách thực hiện hết phép tính này đến phép tính khác: đọc dữ liệu, nhân, cộng, so sánh, cập nhật biến rồi lặp lại. Với những bài toán tổ hợp, số cấu hình có thể tăng nhanh đến mức ngay cả việc tìm một lời giải rất tốt cũng trở thành gánh nặng tính toán.

Một nhóm từ CEA-Leti, Spintec và C2N/Université Paris-Saclay đang thử cách gần như ngược lại. Thay vì mô phỏng toàn bộ quá trình tìm nghiệm bằng phần mềm, họ xây một hệ vật lý sao cho trạng thái năng lượng thấp của chính phần cứng biểu diễn lời giải của bài toán. Những dao động ngẫu nhiên của vật liệu giúp hệ thoát khỏi các nghiệm xấu; sau đó độ ngẫu nhiên giảm dần để nó ổn định.

Nguyên mẫu này là một Ising machine lai giữa memristor và stochastic magnetic tunnel junction (SMTJ). Trong thử nghiệm được công bố trên Nature Communications, hệ thống tìm được nghiệm tối ưu toàn cục cho một bài MAX-CUT có 24 đỉnh và một bài tô màu đồ thị 10 đỉnh bằng ba màu. Tất cả phép đo được thực hiện ở nhiệt độ phòng và không cần từ trường ngoài.

Điều đáng chú ý không phải là hai benchmark này lớn — thực tế chúng còn rất nhỏ — mà là cách ba phần việc vốn thường cần mạch điều khiển riêng được ghép vào vật lý của thiết bị: lưu tương tác giữa các biến, tạo bit xác suất và giảm dần mức ngẫu nhiên trong quá trình tìm nghiệm.

Biến một bài toán thành “địa hình năng lượng”

Ý tưởng đứng sau Ising machine đến từ mô hình Ising trong vật lý thống kê. Mỗi biến được biểu diễn như một spin chỉ có hai trạng thái, thường viết là +1 và −1. Các spin tác động lẫn nhau qua những hệ số liên kết. Toàn bộ cấu hình có một giá trị năng lượng; thay đổi spin sẽ khiến năng lượng tăng hoặc giảm.

Nếu một bài toán tối ưu có thể được chuyển sang dạng Ising, người thiết kế sẽ sắp xếp các hệ số sao cho những lời giải tốt tương ứng với trạng thái năng lượng thấp. Nghiệm tối ưu toàn cục nằm ở ground state — đáy thấp nhất của địa hình năng lượng.

Đây là điểm khiến cách tính toán này khác máy số truyền thống. Một chương trình thông thường lưu các biến trong bộ nhớ rồi dùng lệnh để liên tục tính xem nên cập nhật chúng thế nào. Ising machine cố gắng để động lực học của phần cứng thực hiện một phần quá trình tìm kiếm đó.

Nhưng “cứ để hệ rơi xuống” chưa đủ. Một địa hình tối ưu phức tạp có rất nhiều hõm nhỏ. Hệ có thể rơi vào một local minimum — tốt hơn các trạng thái xung quanh nhưng vẫn chưa phải đáp án tốt nhất. Vì thế Ising machine cần một cơ chế giống quá trình ủ nhiệt: ban đầu cho phép nhiều dao động để hệ nhảy ra khỏi các hõm nông, sau đó dần giảm dao động để nó ổn định.

Memristor giữ cấu trúc bài toán, nam châm nano tạo sự ngẫu nhiên

Trong thiết kế mới, hai loại linh kiện nano chia nhau công việc.

Một crossbar memristor hafnium oxide lưu các hệ số liên kết giữa spin. Độ dẫn điện của từng memristor được lập trình ở nhiều mức khác nhau, tương ứng với trọng số trong ma trận mô tả bài toán. Khi điện áp đại diện cho trạng thái các spin được đưa vào các hàng của crossbar, dòng điện cộng lại theo định luật vật lý, thực hiện phép multiply-and-accumulate cần để tính “trường” tác động lên một spin.

Phần biến nhị phân được thực hiện bởi stochastic magnetic tunnel junction. Đây là linh kiện có hai trạng thái từ nhưng, khi rào năng lượng đủ thấp, dao động nhiệt ở nhiệt độ phòng khiến nó chuyển qua lại một cách ngẫu nhiên. Thay vì coi nhiễu nhiệt là thứ phải loại bỏ, nhóm nghiên cứu dùng chính nó làm nguồn xác suất cho quá trình tìm kiếm.

Hai thành phần này tạo nên điểm mới của kiến trúc: cùng một điện áp đọc dùng cho mạng memristor cũng ảnh hưởng tới xác suất chuyển trạng thái của SMTJ. Khi điện áp đọc thấp, spin dao động mạnh hơn; khi điện áp được tăng lên, trạng thái trở nên ổn định hơn.

Nói theo ngôn ngữ annealing, một nút điều khiển điện áp duy nhất đồng thời làm nhiệm vụ giảm “nhiệt độ hiệu dụng” của máy.

Vì sao “intrinsic annealing” đáng chú ý?

Trong nhiều Ising machine, quá trình annealing cần logic điều khiển bên ngoài: hệ thống phải tạo số ngẫu nhiên, tính lịch giảm nhiệt độ và điều chỉnh xác suất cập nhật qua các bước riêng. Phần điện tử phụ trợ đó có thể chiếm diện tích, tiêu tốn năng lượng và tạo thêm lưu lượng dữ liệu giữa bộ nhớ với bộ xử lý.

Thiết kế của nhóm Pháp cố gắng biến một phần công việc này thành hệ quả trực tiếp của đặc tính thiết bị. Memristor thực hiện phép cộng có trọng số ở dạng analog; SMTJ cung cấp nhiễu nhiệt tự nhiên; điện áp đọc điều khiển đồng thời mức ngẫu nhiên. Các tác giả gọi đây là intrinsic annealing.

Trong một thí nghiệm với bài weighted MAX-CUT 24 đỉnh, hệ thống hội tụ sau khoảng 7.000 lần cập nhật spin. Nghiệm cuối được kiểm tra bằng một solver phần mềm và xác nhận là nghiệm tối ưu toàn cục. Nhóm cũng giải một bài graph coloring gồm 10 đỉnh và ba màu, được ánh xạ thành 30 spin.

Điều này chứng minh các linh kiện không chỉ hoạt động riêng lẻ: crossbar memristor và SMTJ có thể phối hợp trong cùng vòng tối ưu để xử lý một bài toán cụ thể.

Đây không phải máy tính lượng tử

Cụm “rơi về trạng thái năng lượng thấp” dễ khiến Ising machine bị nhầm với quantum annealer. Hai loại máy có cách mô tả toán học liên quan, nhưng nguyên mẫu này không phải quantum computer.

SMTJ trong thí nghiệm khai thác dao động nhiệt cổ điển để tạo xác suất chuyển trạng thái. Memristor cũng là linh kiện điện tử cổ điển. Máy không duy trì qubit, superposition hay entanglement như một bộ xử lý lượng tử.

Điểm hấp dẫn ở đây chính là khả năng dùng các linh kiện tương thích với quy trình bán dẫn. Cả memristor và magnetic tunnel junction đều có thể được tích hợp ở các lớp back-end-of-line phía trên CMOS. Nhóm nghiên cứu cho rằng điều này tạo một con đường khả thi tới kiến trúc 3D, trong đó bộ nhớ trọng số, spin xác suất và mạch điều khiển nằm gần nhau hơn.

Nguyên mẫu hiện vẫn chưa “tự rơi” hoàn toàn

Đây cũng là giới hạn quan trọng nhất của kết quả.

Mặc dù nhóm đã chứng minh trực tiếp rằng crossbar memristor có thể ghép analog với SMTJ để tạo đặc tính annealing mong muốn, thí nghiệm giải bài toán hoàn chỉnh vẫn dùng một vòng phản hồi qua máy tính và bộ điều khiển bên ngoài. Trường tác động lên một spin được tính từ crossbar, đọc ra ngoài, sau đó điện áp tương ứng mới được áp vào SMTJ. Quy trình được lặp lại tuần tự cho từng spin.

Vì thế chưa thể mô tả nguyên mẫu hiện tại như một hệ chỉ cần mã hóa bài toán rồi để toàn bộ phần cứng tự đồng thời tiến hóa tới đáp án. Bản thân paper nói rõ cập nhật trong demonstrator là tuần tự.

Đây là khác biệt lớn khi bàn về hiệu năng. Các tác giả và CEA-Leti cho rằng một phiên bản tích hợp sâu hơn có thể loại bỏ nhiều lần chuyển đổi analog–digital, cho phép các spin hoạt động song song và tận dụng thời gian chuyển mạch ở thang nanosecond. Nhưng paper hiện chưa cung cấp benchmark end-to-end chứng minh máy nhanh hơn hay tiết kiệm năng lượng hơn CPU, GPU hoặc các Ising accelerator hiện đại ở cùng một bài toán lớn.

Nhóm cũng chưa giải quyết bài toán scale của ma trận liên kết khi số biến tăng mạnh. Một bài 24 đỉnh có thể được ánh xạ khá thuận lợi lên crossbar hiện tại; những ứng dụng thực tế về routing, scheduling hay thiết kế chip có thể có hàng nghìn đến hàng triệu biến và các ràng buộc phức tạp hơn nhiều.

Vật lý có thể thay thế phép tính ở đâu?

Ý tưởng rộng hơn của công trình không phải CPU sắp biến mất. Ising machine chỉ phù hợp với một lớp bài toán nhất định — đặc biệt là tối ưu tổ hợp có thể ánh xạ sang hàm năng lượng. Nó không thay thế trình duyệt, hệ điều hành hay bộ xử lý đa dụng.

Nhưng với những bài toán phù hợp, physical computing đặt ra một câu hỏi thú vị: tại sao phải dùng transistor để mô phỏng hàng triệu lần cập nhật của một hệ động lực, nếu có thể xây một hệ vật lý mà các tương tác đó xảy ra trực tiếp?

Memristor crossbar đã cho thấy một phiên bản của ý tưởng này trong nhân ma trận analog. Mạng dao động, photonic Ising machine và probabilistic spin hardware cũng đang theo đuổi cùng mục tiêu từ những nền tảng vật lý khác nhau: ánh xạ cấu trúc toán học của bài toán vào cấu trúc vật lý, rồi để quá trình tiến hóa của hệ làm một phần công việc mà trước đây phần mềm phải tính từng bước.

Với nguyên mẫu của CEA-Leti, Spintec và C2N, bước tiếp theo không phải chứng minh thêm rằng hai linh kiện nano có thể tìm được nghiệm của một đồ thị nhỏ. Giá trị thực sự sẽ nằm ở việc đưa vòng phản hồi vào phần cứng, cập nhật nhiều spin song song, tăng kích thước bài toán và đo trực tiếp thời gian cùng năng lượng từ đầu vào tới nghiệm cuối.

Nếu những bước đó thành công, “tính toán” trong một số accelerator tương lai có thể bớt giống việc thực thi hàng dài lệnh và giống hơn với việc chuẩn bị đúng địa hình vật lý — rồi để hệ tự tìm đường xuống một trạng thái đủ thấp.

Nguồn tham khảo

• Iftakher và cộng sự, Nature Communications (2026): Intrinsic annealing in a hybrid memristor-magnetic tunnel junction Ising machine.
• CEA-Leti: French Research Teams Demonstrate Hybrid Nanoelectronic Ising Machine for Combinatorial Optimization, 8/9/2026.