基于磁性拓扑绝缘体的低温内存计算：开启量子计算新篇

机器学习算法在量子纠错和量子控制等量子计算任务中至关重要，但其在低温下的高效硬件实现亟待解决。研究人员利用磁性拓扑绝缘体作为忆阻器，提出低温内存计算方案。该方案展现诸多优势，在概念验证任务中精度高，模拟显示其用于图像识别和量子态制备时能耗更低，意义重大。

　　机器学习算法已被证明对诸如量子纠错和量子控制等重要的量子计算任务有效。在低温下高效地将这些算法在硬件上实现至关重要。在这里，研究人员将磁性拓扑绝缘体用作忆阻器（称为磁性拓扑忆阻器），并引入了一种基于手性边缘态和拓扑表面态共存的低温内存计算方案。忆阻开关和巨反常霍尔效应的读取展现出高能量效率、高稳定性和低随机性。研究人员使用四个磁性拓扑忆阻器在概念验证分类任务中实现了高精度。此外，研究人员对大规模神经网络进行的算法级和电路级模拟表明，与现有的磁性忆阻器和互补金属氧化物半导体（CMOS）技术相比，该方案在图像识别和量子态制备方面，在软件层面具有更高的精度和更低的能耗。研究结果不仅展示了手性边缘态的新应用，还可能启发更多基于拓扑量子物理的新型计算方案。