利用忆阻器霍普菲尔德神经网络中的本征噪声求解组合优化问题
新兴技术
2019-04-05 v2
摘要
我们描述了一种混合模拟-数字计算方法，用于求解重要的组合优化问题，该方法利用了忆阻器（双端非易失性存储器）。先前的忆阻器加速器不得不最小化模拟噪声效应，而我们表明我们的优化求解器将此类噪声作为计算资源加以利用。在此我们描述了一种忆阻器-霍普菲尔德神经网络（mem-HNN），其在密集交叉开关阵列中执行大规模并行操作。我们提供了直接在模拟交叉开关阵列中求解NP难最大割问题的实验演示，并以基于实验的仿真来补充，以探索随问题规模的可扩展性，给出成功概率、求解时间与能量以及与本征模拟噪声的相互作用。与全数字方法以及当今的量子和光学加速器相比，我们预测mem-HNN在单位功耗下的解吞吐率高出四个数量级以上。这表明与当前量子退火方法相比性能和可扩展性显著提升，同时其在室温下运行并利用现有的CMOS技术并辅以新兴的模拟非易失性忆阻器。
引用
@article{arxiv.1903.11194,
title = {Harnessing Intrinsic Noise in Memristor Hopfield Neural Networks for Combinatorial Optimization},
author = {Fuxi Cai and Suhas Kumar and Thomas Van Vaerenbergh and Rui Liu and Can Li and Shimeng Yu and Qiangfei Xia and J. Joshua Yang and Raymond Beausoleil and Wei Lu and John Paul Strachan},
journal= {arXiv preprint arXiv:1903.11194},
year = {2019}
}