编辑丨coisini
人工智能（AI）的迅速发展带来了算力需求的激增。量子计算一直被普遍认为具有高速、高效的优势，因此量子计算在 AI 领域具有广阔的应用前景。
然而，量子处理器通常需要在毫开尔文温度（约零下 273 摄氏度）下运行，需要安装在距离室温图形处理器数米之外的位置，导致严重延迟。
为了解决这一问题，来自香港科技大学（HKUST）等机构的研究者提出了一种新型低温存内计算方案，使人工智能加速器能在距离量子处理器更近的位置运行 —— 两者仅需相隔数十厘米即可协同运行，显著提升了运算速度和效率。研究论文以《Cryogenic in-memory computing using magnetic topological insulators》为题发表于《Nature Materials》。
论文地址：https://www.nature.com/articles/s41563-024-02088-4
如下图 (a) 所示，量子处理器安装在距离图形处理器数米之外的位置会导致严重延迟。
研究团队意识到：磁性拓扑绝缘体对于解决这个问题具有巨大的潜力。这类材料不仅具备绝缘体的体带隙，其表面或边缘还存在导电态。因此磁性拓扑绝缘体也展现出诸多独特现象，包括「自旋 - 动量锁定效应」、「量子反常霍尔效应」等。
基于此，研究团队选用了 Cr-BST 这一特定类型的磁性拓扑绝缘体。该材料因已被证实能产生巨大的量子反常霍尔电阻及高效的电流诱导磁化翻转而备受瞩目，这些特性可显著提升霍尔器件的性能。
以往采用铁钴硼合金等传统铁磁体的霍尔器件设计方案，通常会面临信号微弱和潜通路（sneak path）等问题。而该研究提出的霍尔条（Hall bar）阵列电路设计取得了显著成功。
在概念验证分类任务中，四个 Cr-BST 霍尔器件实现了高精度识别，而对 512×512 神经网络的模拟显示，在 2 开尔文低温（室温 300 开尔文）下执行图像识别和量子态制备任务时，其效能达到每瓦 724 太次操作。
论文通讯作者、香港科技大学电子及计算机工程学系助理教授邵启明表示：「这一突破首次展示了适用于低功耗存内计算的霍尔电流求和方案，尤其是在低温环境下。我们的磁性拓扑绝缘体霍尔条阵列能高效实现强化学习算法，例如在量子处理器附近进行量子态制备。」
这项研究不仅揭示了磁性拓扑绝缘体的应用潜力，更为基于拓扑量子物理的计算方案开辟了新途径。未来，研究团队计划通过将 AI 智能体与训练单元集成，进一步降低推理和在线训练延迟，并开拓出更高效的量子计算应用场景。
相关报道：
https://seng.hkust.edu.hk/zh-hans/news/20250324/kedagongxueyuanfabiaotupoxingdiwencunneijisuanfangan-tuijinrengongzhinengyuliangziyunsuanjiehe
https://phys.org/news/2025-03-meters-closer-miles-faster-cryogenic.html