CMOS + 随机纳米磁体：用于概率推断与学习的异构计算机
介观与纳米尺度物理
2024-03-29 v3 人工智能
新兴技术
机器学习
摘要
通过用新兴纳米技术（X）增强互补金属氧化物半导体（CMOS）晶体管来延伸摩尔定律已变得愈发重要。一类重要问题涉及用于概率机器学习、优化和量子模拟的基于采样的蒙特卡洛算法。在此，我们将基于随机磁隧道结（sMTJ）的概率比特（p-bit）与现场可编程门阵列（FPGA）结合，创建一种高能效的 CMOS + X（X = sMTJ）原型。该装置展示了由 sMTJ 控制的异步驱动 CMOS 电路如何利用吉布斯采样的算法更新顺序不变性来执行概率推断与学习。我们展示了 sMTJ 的随机性如何增强低质量随机数发生器（RNG）。详细的晶体管级比较表明，基于 sMTJ 的 p-bit 可取代多达 10,000 个 CMOS 晶体管，同时能耗低两个数量级。我们方法的集成版本可推进涉及深度玻尔兹曼机及其他基于能量的学习算法的、具有极高吞吐量与能效的概率计算。
引用
@article{arxiv.2304.05949,
title = {CMOS + stochastic nanomagnets: heterogeneous computers for probabilistic inference and learning},
author = {Nihal Sanjay Singh and Keito Kobayashi and Qixuan Cao and Kemal Selcuk and Tianrui Hu and Shaila Niazi and Navid Anjum Aadit and Shun Kanai and Hideo Ohno and Shunsuke Fukami and Kerem Y. Camsari},
journal= {arXiv preprint arXiv:2304.05949},
year = {2024}
}