利用玻尔兹曼机训练自动提取和补偿大规模 P 位器件变动

概率位（P-Bit）器件是实现 Ising 计算的核心硬件。然而，P 位器件的严重内在变动阻碍了 P 位阵列的大规模扩展，显著限制了 Ising 计算的实际用途。本工作提出了一种将 P 位变动归因于两个参数 $\alpha$ 和 $\Delta V$ 的行为模型。随后引入权重补偿方法，可通过重新推导权重矩阵来缓解 P 位器件变动中的 $\alpha$ 和 $\Delta V$，使其能够在无需重新训练权重的情况下作为理想的相同 P 位计算。从大规模 P 位阵列中准确提取 $\alpha$ 和 $\Delta V$ 是实现权重补偿方法的关键且具有挑战性的任务。为解决这一难题，我们提出了一种新型自动变动提取算法，基于玻尔兹曼机学习从大规模阵列中提取每个 P 位的器件变动。为实现可扩展的阵列变动提取，我们构建了一个基于 3D 铁磁模型的 Ising 哈密顿量，实现了精确且可扩展的阵列变动提取。所提出的自动提取和补偿算法用于解决大规模 P 位阵列中存在变动的 16 城旅行商问题（TSP）和 21 位整数分解，证明了其准确性、可迁移性和可扩展性。