🔬 applied physics

Magnonic Full Adder Based on 2D Chiral Magnonic Resonators

यह शोध पत्र माइक्रोमैग्नेटिक सिमुलेशन के माध्यम से यह प्रदर्शित करता है कि एक मजबूत मैग्ोनिक फुल एडर (magnonic full adder) बनाने के लिए काइरल मैग्ोनिक रेज़ोनेटर के एरेज़ पर मशीन लर्निंग को लागू किया जा सकता है, जिसमें आउटपुट लेयर के रूप में मल्टीलेयर पर्सेप्ट्रॉन न्यूरल नेटवर्क का उपयोग करने पर न्यूनतम भौतिक आउटपुट संकेतों के साथ उच्च वर्गीकरण सटीकता प्राप्त की गई है।

मूल लेखक: K. G. Fripp, Y. Wang, O. Kyriienko, A. V. Shytov, V. V. Kruglyak

प्रकाशित 2026-03-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: K. G. Fripp, Y. Wang, O. Kyriienko, A. V. Shytov, V. V. Kruglyak

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: घूमती लहरों से बना एक "मस्तिष्क"

कल्पना कीजिए कि आप एक बहुत तेज़, ऊर्जा-कुशल कैलकुलेटर बनाने की कोशिश कर रहे हैं। पारंपरिक कंप्यूटर (जैसे आपका लैपटॉप) सिलिकॉन तारों के माध्यम से बहने वाली बिजली का उपयोग करते हैं। इससे गर्मी पैदा होती है और यह बहुत अधिक जगह घेरता है।

यह शोध एक अलग तरीका प्रस्तावित करता है: मैग्नोनिक्स (Magnonics)। बिजली के बजाय, वे स्पिन वेव्स (Spin waves) का उपयोग करते हैं। स्पिन वेव्स को तालाब में उठने वाली लहरों की तरह समझें, लेकिन यहाँ "पानी" एक चुंबकीय सामग्री है, और लहरें चुंबकीय परमाणुओं के सूक्ष्म कंपन हैं।

शोधकर्ताओं ने एक फुल एडर (Full Adder) बनाया है। कंप्यूटर की भाषा में, फुल एडर वह बुनियादी इकाई है जो तीन संख्याओं को जोड़ने (जैसे $1 + 1 + 1$ ) के लिए उपयोग की जाती है ताकि एक 'सम' (sum) और एक 'कैरी' (carry) बिट प्राप्त हो सके। यह हर कैलकुलेटर के भीतर मौजूद अंकगणितीय इंजन है।

सेटअप: एक चुंबकीय तालाब और तैरते हुए डिस्क

इस कैलकुलेटर को बनाने के लिए, शोधकर्ताओं ने कंप्यूटर सिमुलेशन का उपयोग करके एक आभासी खेल का मैदान तैयार किया:

तालाब (वेवगाइड): YIG नामक एक पतली, सपाट चुंबकीय सामग्री की एक शीट की कल्पना करें। यह एक शांत तालाब की तरह है जहाँ लहरें बिना ऊर्जा खोए बहुत दूर तक जा सकती हैं।
स्रोत (इनपुट): उनके पास तीन "उंगलियां" (इनपुट A, B, और C) हैं जो लहरें पैदा करने के लिए तालाब में डूब सकती हैं।
- यदि उंगली हल्की डूबती है, तो यह 0 है।
- यदि उंगली ज़ोर से डूबती है, तो यह 1 है।
बाधाएं (रिजर्वायर/भंडार): तालाब के बीच में, उन्होंने 8 छोटे, तैरते हुए धातु के डिस्क (परमैलॉय) का एक ग्रिड रखा है। ये केवल निष्क्रिय पत्थर नहीं हैं; ये "स्मार्ट" बाधाएं हैं।
- जब एक छोटी लहर इनसे टकराती है, तो वे इसे धीरे से वापस उछाल देती हैं।
- जब एक बड़ी, शक्तिशाली लहर इनसे टकराती है, तो वे उत्साहित हो जाती हैं और अपना आकार थोड़ा बदल लेती हैं, जिससे लहर पूरी तरह से एक अलग, जटिल पैटर्न में वापस उछलती है। यही नॉन-लिनियरिटी (Nonlinearity) है—वह जादुई तत्व जो इस सिस्टम को "स्मार्ट" बनाता है।

समस्या: उत्तर कैसे पढ़ें?

जब तीन इनपुट उंगलियां लहरें बनाती हैं, तो वे लहरें 8 डिस्क से टकराती हैं, इधर-उधर उछलती हैं, एक-दूसरे के साथ हस्तक्षेप करती हैं, और पूरे तालाब में पैटर्न का एक अराजक लेकिन सुंदर दृश्य बनाती हैं।

चुनौती यह है: हम इस उलझे हुए पैटर्न को देखकर तुरंत गणित के सवाल का जवाब कैसे जान सकते हैं?

शोधकर्ताओं ने परिणाम को "पढ़ने" के दो अलग-अलग तरीके आजमाए।

दृष्टिकोण 1: "सरल अनुवादक" (लीनियर आउटपुट)

कल्पना कीजिए कि आपके पास तालाब के किनारे खड़े 3 अनुवादकों की एक टीम है। वे तीन विशिष्ट स्थानों पर लहरों की ऊंचाई देख रहे हैं।

यह कैसे काम करता है: वे अपने स्थानों पर लहरों की ऊंचाई मापते हैं। वे जटिल भौतिकी को समझने की कोशिश नहीं करते; वे बस एक सरल सूत्र (जैसे $2 \times \text{स्थान 1} + 1 \times \text{स्थान 2} - 3 \times \text{स्थान 3}$ ) के साथ ऊंचाइयों को जोड़ देते हैं।
परिणाम: उन्होंने पाया कि यदि आप 3 विशिष्ट स्थानों का उपयोग करते हैं, तो गणित बिल्कुल सही काम करता है। सरल सूत्र "सम 1" और "सम 0" के बीच अंतर बता सकता है।
पक्ष: यह बनाना बहुत सरल और सस्ता है।
विपक्ष: यह थोड़ा नाजुक है। यदि हवा चलती है (शोर/नॉइज़) या उंगलियां थोड़ी भी ज़्यादा या कम ज़ोर से डूबती हैं (इनपुट त्रुटि), तो अनुवादक भ्रमित हो सकते हैं और गलत उत्तर दे सकते हैं।

दृष्टिकोण 2: "सुपर-इंटेलिजेंट AI" (नॉन-लीनियर आउटपुट)

अब, कल्पना कीजिए कि आपके पास तालाब के किनारे केवल एक स्थान पर खड़ा एक अनुवादक है। लेकिन यह अनुवादक एक सुपर-कंप्यूटर मस्तिष्क (एक न्यूरल नेटवर्क) से जुड़ा हुआ है।

यह कैसे काम करता है: अनुवादक केवल एक ही स्थान पर लहर का पैटर्न देखता है। एक इंसान के लिए, यह रैंडम शोर जैसा दिखता है। लेकिन AI मस्तिष्क को उस एकल सिग्नल में सूक्ष्म, जटिल पैटर्न पहचानने के लिए प्रशिक्षित किया गया है। यह एक मास्टर शेफ की तरह है जो सूप के एक चम्मच से ही बता सकता है कि उसमें कौन से 20 मसाले मिलाए गए हैं, भले ही स्वाद आपस में मिले हुए हों।
परिणाम: भले ही केवल एक रीडिंग ली जाए, AI लगभग 100% सटीकता के साथ सही उत्तर देता है, तब भी जब तेज़ हवा चल रही हो (उच्च शोर)।
पक्ष: अत्यंत विश्वसनीय। यह शोर वाले डेटा को भी संभाल सकता है और गणित को सही रख सकता है।
विपक्ष: इसके लिए पढ़ने के लिए एक जटिल इलेक्ट्रॉनिक मस्तिष्क (AI) की आवश्यकता होती है, जो साधारण अनुवादक की तुलना में थोड़ी अधिक शक्ति का उपयोग करता है।

"अहा!" क्षण: यह क्यों मायने रखता है

यह शोध दिखाता है कि प्रकृति (चुंबकीय डिस्क) सूचना को मिलाने का कठिन काम करती है। डिस्क का "रिजर्वायर" एक जटिल इंटरफेरेंस पैटर्न बनाता है जिसमें सभी उत्तर समाहित होते हैं।

लीनियर दृष्टिकोण एक साधारण रूलर (पैमाने) के साथ पहेली सुलझाने जैसा है। यह तब काम करता है जब पहेली साफ हो, लेकिन अगर पहेली गंदी है तो विफल हो जाता है।
AI दृष्टिकोण आवर्धक लेंस (magnifying glass) के साथ एक जासूस का उपयोग करने जैसा है। यह पहेली को हल कर सकता है भले ही वह कीचड़ से ढकी हो।

निष्कर्ष

यह शोध सिद्ध करता है कि हम केवल सिलिकॉन चिप्स के बजाय चुंबकीय तरंगों और छोटे डिस्क का उपयोग करके लॉजिक सर्किट (जैसे एडर) बना सकते हैं।

यदि आप सरलता चाहते हैं, तो आप कुछ सेंसर और सरल गणित का उपयोग कर सकते हैं।
यदि आप शोर वाले संसार में विश्वसनीयता चाहते हैं, तो आप एक स्मार्ट AI के साथ एक एकल सेंसर का उपयोग कर सकते हैं।

यह "बियॉन्ड वॉन न्यूमैन" (Beyond Von Neumann) कंप्यूटिंग की ओर एक कदम है—ऐसे कंप्यूटर जहाँ मेमोरी और प्रोसेसिंग एक ही स्थान पर होती है, जो बिजली के बजाय लहरों का उपयोग करते हैं, जिससे संभावित रूप से ऐसे उपकरण बनेंगे जो हमारे वर्तमान स्मार्टफोन की तुलना में तेज़, छोटे और बहुत कम ऊर्जा का उपयोग करेंगे।

यहाँ "Magnonic Full Adder Based on 2D Chiral Magnonic Resonators" नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जैसे-जैसे कम्प्यूटेशनल मांग बढ़ रही है, पारंपरिक CMOS आर्किटेक्चर मेमोरी और गणना की गैर-स्थानीयता (non-locality) के कारण बाधाओं का सामना कर रहे हैं, जिससे उच्च ऊर्जा खपत और प्रदर्शन में कमी आती है। इसे संबोधित करने के लिए, "वॉन न्यूमैन से परे" (beyond von Neumann) आर्किटेक्चर, विशेष रूप से न्यूरोमॉर्फिक कंप्यूटिंग, प्रस्तावित किए गए हैं। जबकि आर्टिफिशियल न्यूरल नेटवर्क (ANN) को CMOS पर सिम्युलेट किया जा सकता है, वे उस विशेष हार्डवेयर पर अधिक कुशल होते हैं जो मेमोरी और गणना को एकीकृत करता है।

मैग्नोनिक्स (स्पिन तरंगों का विज्ञान) ऐसे हार्डवेयर के लिए एक आशाजनक मंच प्रदान करता है क्योंकि:

इसमें ऊर्जा की खपत कम होती है (मैग्नोन स्पिन तरंगों के क्वांटा हैं)।
यिट्रियम-आयरन गार्नेट (YIG) जैसी सामग्रियों में डैम्पिंग (damping) कम होती है।
अनुनादी संरचनाओं (resonant structures) में अंतर्निहित मजबूत नॉन-लिनियरिटी (nonlinearity) होती है।

इस शोध पत्र में संबोधित विशिष्ट चुनौती एक मैग्नोनिक फुल एडर (अंकगणितीय संचालन के लिए एक मौलिक लॉजिक सर्किट) को 'रिजर्वायर कंप्यूटिंग' दृष्टिकोण का उपयोग करके साकार करना है। इसका लक्ष्य यह प्रदर्शित करना है कि कैसे एक नॉन-लीनियर भौतिक प्रणाली (एक "रिजर्वायर") लॉजिकल आउटपुट (Sum और Carry-out) उत्पन्न करने के लिए स्पिन-वेव इनपुट्स को प्रोसेस कर सकती है, जिससे शोर (noise) के प्रति उच्च मजबूती सुनिश्चित हो सके और आवश्यक रीडआउट लेयर की जटिलता न्यूनतम हो जाए।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक मैग्नोनिक डिवाइस को मॉडल करने के लिए माइकोमैग्नेटिक सिमुलेशन (MuMax3 सॉफ्टवेयर का उपयोग करके) का उपयोग किया। कार्यप्रणाली में तीन मुख्य घटक शामिल थे:

A. डिवाइस आर्किटेक्चर (Device Architecture)

सब्सट्रेट (Substrate): एक 50 nm मोटा YIG वेवगाइड (3.2 μm चौड़ाई, 10.24 μm लंबाई) जिसे 12 mT के इन-प्लेन मैग्नेटिक फील्ड द्वारा बायस किया गया है।
रिजर्वायर (Reservoir): वेवगाइड से 40 nm ऊपर स्थित 2D चिरल मैग्नोनिक रेज़ोनेटरों का एक $2 \times 4$ एरे। प्रत्येक रेज़ोनेटर 60 nm व्यास और 10 nm मोटाई वाला परमॉयल (NiFe) डिस्क है।
इनपुट्स (Inputs): तीन स्पिन-वेव स्रोत (A, B, C) जो दो बिट्स और कैरी-इन बिट का प्रतिनिधित्व करते हैं। इन्हें 1.8 GHz पर गाऊसी स्थानिक प्रोफाइल (Gaussian spatial profiles) के साथ स्थानीय, सर्कुलरली पोलराइज्ड हार्मोनिक फील्ड द्वारा उत्तेजित किया जाता है।
ग्लोबल बायस (Global Bias): प्रदर्शन बढ़ाने के लिए एक ग्लोबल माइक्रोवेव फील्ड (0.09 mT, 1.8 GHz) लगाया जाता है, जो सीधे डिस्क और वेवगाइड किनारों के साथ कपलिंग करता है।
नॉन-लिनियरिटी (Nonlinearity): परमॉयल डिस्क एक नॉन-लीनियर एज मोड रेजोनेंस प्रदर्शित करती है। जैसे-जैसे उत्तेजना का आयाम (amplitude) बढ़ता है, रेजोनेंस फ्रीक्वेंसी शिफ्ट होती है, जिससे प्रसारित होने वाली स्पिन तरंगों का नॉन-लीनियर स्कैटरिंग होता है। यह जटिल, इनपुट-निर्भर इंटरफेरेंस पैटर्न बनाता है।

B. ट्रेनिंग और आउटपुट लेयर्स (Training and Output Layers)

अध्ययन ने "आउटपुट लेयर" (भौतिक संकेतों को लॉजिकल आउटपुट में बदलने वाली प्रक्रिया) के लिए दो दृष्टिकोणों की तुलना की:

लीनियर आउटपुट लेयर (Linear Output Layer):
- डायनेमिक स्ट्रे मैग्नेटिक फील्ड ( $B_z$ ) को $N$ भौतिक स्थानों पर सैंपल किया जाता है।
- एंटीना के आकार की नकल करने के लिए सिग्नल को गाऊसी कर्नेल के साथ कॉन्वॉल्व किया जाता है।
- एक लीनियर वेटिंग वेक्टर ( $W$ ) को लीस्ट-स्क्वायर्स मिनिमाइजेशन दृष्टिकोण का उपयोग करके टारगेट ट्रुथ टेबल (Sum और Carry-out) के साथ मैप करने के लिए ऑप्टिमाइज़ किया जाता है।
नॉन-लीनियर आउटपुट लेयर (MLP):
- एक एकल भौतिक सैंपलिंग पॉइंट का उपयोग किया जाता है।
- कॉम्प्लेक्स सिग्नल (Real और Imaginary भाग) को एक मल्टीलेयर परसेप्ट्रॉन (MLP) न्यूरल नेटवर्क में फीड किया जाता है।
- MLP में दो हिडन लेयर्स (64 और 32 न्यूरॉन्स, ReLU एक्टिवेशन) और एक आउटपुट लेयर (16 न्यूरॉन्स: 8 वर्गीकरण के लिए, 8 एरर करेक्शन के लिए) होती है।

C. मूल्यांकन मेट्रिक्स (Evaluation Metrics)

सटीकता (Accuracy): फुल एडर ट्रुथ टेबल को संतुष्ट करने की क्षमता।
मजबूती (Robustness): इनपुट शोर (फील्ड आयाम में यादृच्छिक भिन्नता) और आउटपुट शोर (सिग्नल में जोड़ा गया) के तहत प्रदर्शन में गिरावट।
सैंपलिंग दक्षता (Sampling Efficiency): वैध संचालन के लिए आवश्यक न्यूनतम भौतिक सैंपलिंग पॉइंट्स की संख्या।

3. प्रमुख योगदान (Key Contributions)

मैग्नोनिक फुल एडर का प्रदर्शन: एक नॉन-लीनियर रिजर्वायर के रूप में 2D चिरल मैग्नोनिक रेज़ोनेटरों के एरे का उपयोग करके 1-बिट फुल एडर का पहला प्रस्ताव।
रीडआउट रणनीतियों की तुलना: एक सरल लीनियर वेटिंग स्कीम और एक जटिल न्यूरल नेटवर्क रीडआउट के बीच एक कठोर तुलना, जो हार्डवेयर जटिलता और शोर प्रतिरोध (noise resilience) के बीच के ट्रेड-ऑफ को मापती है।
सैंपलिंग पॉइंट्स का अनुकूलन: यह निर्धारित करना कि लीनियर रीडआउट के लिए तीन भौतिक सैंपलिंग पॉइंट्स पर्याप्त हैं, जबकि MLP के साथ एक पॉइंट पर्याप्त है।
शोर प्रतिरोध विश्लेषण (Noise Resilience Analysis): वास्तविक शोर स्थितियों (थर्मल फ्लक्चुएशन, फैब्रिकेशन खामियां) के तहत डिवाइस की कार्यक्षमता का मात्रात्मक निर्धारण।

4. परिणाम (Results)

लीनियर आउटपुट लेयर प्रदर्शन

सैंपलिंग आवश्यकता: वैध लॉजिक लेवल प्राप्त करने के लिए प्रत्येक लॉजिकल आउटपुट (Sum और Carry-out) के लिए न्यूनतम तीन सैंपलिंग पॉइंट्स की आवश्यकता होती है।
सटीकता: 3 पॉइंट्स के साथ, डिवाइस सही लॉजिक आउटपुट प्राप्त करता है। पॉइंट्स की संख्या बढ़ाने से त्रुटि कम होती है, लेकिन 3 व्यावहारिक न्यूनतम है।
शोर के प्रति मजबूती: लीनियर कॉन्फ़िगरेशन लगभग 10% के इनपुट एम्प्लीट्यूड परबर्बेशन (perturbations) के प्रति मजबूत है। हालांकि, जब आउटपुट सिग्नल शोर पेश किया जाता है, तो जैसे-जैसे शोर पैरामीटर बढ़ता है, वर्गीकरण सटीकता काफी गिर जाती है (लगभग 60% तक)।

नॉन-लीनियर (MLP) आउटपुट लेयर प्रदर्शन

सैंपलिंग आवश्यकता: MLP दृष्टिकोण एकल भौतिक सैंपलिंग पॉइंट के डेटा का उपयोग करके लॉजिक स्टेट को सफलतापूर्वक वर्गीकृत करता है।
सटीकता: MLP लगभग पूर्ण वर्गीकरण सटीकता (95–100%) प्राप्त करता है।
शोर के प्रति मजबूती: MLP भारी शोर (5.0 तक का शोर पैरामीटर) के साथ भी उच्च सटीकता बनाए रखता है। इसके विपरीत, लीनियर मॉडल की सटीकता समान शोर स्थितियों के तहत तेजी से गिरती है।
तंत्र (Mechanism): MLP सिंगल सिग्नल के फेज और एम्प्लीट्यूड में निहित जटिल, नॉन-लीनियर जानकारी को प्रभावी ढंग से निकाल लेता है, जिसे एक साधारण लीनियर वेटेड सम (weighted sum) शोर वाली स्थितियों में हल नहीं कर सकता।

भौतिक अवलोकन (Physical Observations)

बिखरी हुई स्पिन तरंगों (scattered spin waves) के इंटरफेरेंस पैटर्न आयाम और फेज में अत्यधिक गैर-समान (non-uniform) होते हैं, यहाँ तक कि कम उत्तेजना स्तरों पर भी।
"000" इनपुट स्थिति एक बेसलाइन इंटरफेरेंस पैटर्न बनाती है, जबकि "111" रेज़ोनेटरों में नॉन-लीनियर फ्रीक्वेंसी शिफ्ट के कारण इंटरफेरेंस मैक्सिमा को शिफ्ट कर देता है।
डिवाइस कम पावर स्तरों (उत्तेजना आयाम $\approx$ 0.45 mT) पर संचालित होता है, जो उच्च ऊर्जा दक्षता का सुझाव देता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य प्रदर्शित करता है कि मैग्नोनिक रिजर्वायर कंप्यूटिंग कम-शक्ति, उच्च-गति वाले न्यूरोमॉर्फिक लॉजिक सर्किट के लिए एक व्यवहार्य मार्ग है।

ट्रेड-ऑफ: अध्ययन एक महत्वपूर्ण ट्रेड-ऑफ को उजागर करता है:
- लीनियर रीडआउट: सरल हार्डवेयर (पैसिव एंटीना या साधारण एनवेलप डिटेक्टर) लेकिन अधिक सैंपलिंग पॉइंट्स की आवश्यकता और कम शोर प्रतिरोध।
- नॉन-लीनियर रीडआउट (MLP): एक छोटे बाहरी इलेक्ट्रॉनिक सर्किट (CMOS-आधारित MLP) की आवश्यकता होती है लेकिन यह न्यूनतम सैंपलिंग पॉइंट्स (1) और असाधारण शोर प्रतिरोध की अनुमति देता है, जो इसे व्यावहारिक कार्यान्वयन के लिए अधिक मजबूत बनाता है जहाँ फैब्रिकेशन खामियां और थर्मल शोर अपरिहार्य हैं।
भविष्य की दृष्टि: परिणाम बताते हैं कि जबकि मैग्नोनिक सिस्टम भारी नॉन-लीनियर गणना का कार्य करता है, एक हाइब्रिड दृष्टिकोण (मैग्नोनिक रिजर्वायर + इलेक्ट्रॉनिक न्यूरल नेटवर्क रीडआउट) भविष्य के कंप्यूटिंग आर्किटेक्चर में जटिल अंकगणितीय लॉजिक यूनिट्स (ALUs) को साकार करने के लिए सबसे व्यावहारिक मार्ग हो सकता है। इस कार्यप्रणाली को अधिक जटिल मल्टी-इनपुट/मल्टी-आउटपुट डिवाइस के लिए विस्तारित किया जा सकता है।

संक्षेप में, यह शोध पत्र सफलतापूर्वक सैद्धांतिक मैग्नोनिक भौतिकी और व्यावहारिक लॉजिक सर्किट डिजाइन के बीच के अंतर को पाटता है, यह सिद्ध करता है कि मशीन लर्निंग तकनीकें जटिल अंकगणितीय कार्यों को उच्च दक्षता और मजबूती के साथ करने के लिए भौतिक स्पिन-वेव सिस्टम के रीडआउट को अनुकूलित कर सकती हैं।