用于组合优化与整数分解的逻辑综合、硬件加速受限玻尔兹曼机
机器学习
2020-10-15 v2 神经与进化计算
机器学习
摘要
受限玻尔兹曼机（RBM）是一种随机神经网络，能够解决各类困难任务，如 NP 难组合优化问题和整数分解。RBM 架构也非常紧凑，仅需极少的权重与偏置。这一点，连同其用于寻找此类问题基态的简单、可并行化采样算法，使 RBM 适于硬件加速。然而，在这些问题上训练 RBM 可能构成重大挑战，因为训练算法在大规模问题下往往失效，且高效映射难以找到。在此，我们提出一种组合多个 RBM 的方法，避免了以完整形式训练大规模问题的需要。我们还提出了使 RBM 更适于硬件的方法，允许该算法高效映射到基于 FPGA 的加速器。利用该加速器，我们能够实现 16 位数硬件加速分解且高精度，速度提升 10000 倍，功耗改善 32 倍。
引用
@article{arxiv.2007.13489,
title = {Logically Synthesized, Hardware-Accelerated, Restricted Boltzmann Machines for Combinatorial Optimization and Integer Factorization},
author = {Saavan Patel and Philip Canoza and Sayeef Salahuddin},
journal= {arXiv preprint arXiv:2007.13489},
year = {2020}
}
备注
14 pages, 5 figures, 2 tables