Self-correcting High-speed Opto-electronic Probabilistic Computer
Quantum Dice Limited(量子骰子有限公司);Department of Physics, University of Oxford(牛津大学物理系)
本文提出一种自校正高速光电概率计算机架构,结合SDI量子光子p-bit与FPGA电子控制,实现64000个逻辑p-bit,在速度和能效上较MTJ系统提升近三个数量级,并具备实时自认证与纠错能力。
2025-11-06 cs.ET quant-ph
Machine Learning Quantum Systems with Magnetic p-bits
University of California, Santa Barbara(加州大学圣巴巴拉分校)
本文探讨了利用磁性p比特构建可扩展概率计算机,以应对AI计算负载飙升的危机,并服务于结合机器学习与量子物理的新兴领域。
2023-10-10 cs.ET cs.LG cs.NE
Configurable p-Neurons Using Modular p-Bits
ECE, UCSB(UCSB电子工程系);EE, KFUPM(KFUPM电子工程系);COE, KFUPM(KFUPM计算机工程系);CEMSE, KAUST(KAUST计算机、工程与科学学院);School of Computing, Queen’s University(皇后大学计算学院);Research Laboratory of Electronics, MIT(麻省理工学院电子实验室)
本文提出了一种模块化的可配置p-神经元,通过解耦p-bit的随机信号路径与输入数据路径,实现了多种概率激活函数的灵活配置,并在FPGA上实现了硬件资源节省10倍的高效设计。
2026-01-26 cond-mat.dis-nn cs.AI cs.AR
Probabilistic Computing Optimization of Complex Spin-Glass Topologies
Quantum Dice Ltd(量子骰子公司);Mathematical Institute, University of Oxford(牛津大学数学研究所);Center for Computational Quantum Physics, Flatiron Institute(平顿研究所计算量子物理中心);Department of Physics, University of Oxford(牛津大学物理系)
本研究提出用概率计算(PC)架构优化复杂自旋玻璃拓扑,通过并行P-bits实现迭代次数恒定扩展,达到与量子退火机相当的求解质量。
2025-10-27 cond-mat.dis-nn cs.ET quant-ph
Massively Parallel Probabilistic Computing with Sparse Ising Machines
受量子计算发展的启发,构建特定领域的经典硬件来解决计算困难的问题越来越受到关注。在这里,通过引入系统的稀疏化技术,我们展示了一个大规模的并行架构:稀疏伊辛机(sIM)。利用稀疏性,sIM实现了理想的并行性:其关键品质因数-每秒翻转-与系统中的概率位(p位)数量呈线性关系。这使得sIM比实现标准吉布斯采样的CPU快6个数量级。与TPU和GPU中的优化实现相比,sIM在采样方面提供了5- 18倍的加速。在整数分解等基准问题中,sIM可以可靠地分解高达32位的半素数,远远大于D-Wave和其他概率求解器的先前尝试。引人注目的是,sIM在解决3SAT问题方面击败了竞赛获奖的SAT求解器(在运行时达到4- 700倍,达到95%的准确率)。即使使用更快的时钟使采样不精确,sIM也可以通过进一步的加速找到正确的基态。我们介绍的问题编码和稀疏化技术可以应用于其他伊辛机(经典和量子),我们提出的架构可以用于通过模拟CMOS或纳米器件将演示的5,000 - 10,000 p比特扩展到1,000,000或更多。
2022-02-21 cond-mat.dis-nn cs.DC cs.ET
Autonomous Probabilistic Coprocessing with Petaflips per Second
在本文中,我们提出了一个具体的设计的概率(p-)计算机的基础上的网络的p位,鲁棒的经典实体之间波动-1和+1,通过输入控制的概率从其他p位的输出。这种概率计算机的架构类似于随机神经网络,其中p位扮演二进制随机神经元的角色,但有一个关键区别:没有用于强制p位更新排序的定序器,这是通常需要的。相反,我们探索\textit{sequencerless}设计,其中所有的p位被允许翻转自主和证明,这样的设计可以允许超快的操作不受限制的可用时钟速度,而不影响解决方案的保真度。基于自主设计和基准设备模型的硬件基准测试的实验结果,我们预计纳米磁性实现可以扩展到每秒数百万个神经元的petaflips。本文的一个关键贡献是专注于一个硬件指标$-$翻转每秒$-$作为一个问题和基板独立的数字的优点为新兴的一类被称为伊辛机的硬件退火。就像不断推动摩尔定律的晶体管的特征尺寸不断缩小一样,我们相信每秒翻转可以在广泛的概率,特定领域硬件的后续技术中不断改进。
2020-08-22 cond-mat.dis-nn cond-mat.mes-hall cs.ET
Polymer-based probabilistic bits for thermodynamic computing
Clemson University(克莱姆森大学);Czech Academy of Sciences(捷克科学院);Slovak Academy of Sciences(斯洛伐克科学院)
本研究在有机忆阻器件中利用DTP主链聚合物实现概率比特,通过分压器电路产生逻辑斯蒂分布,并揭示熵峰与材料弛豫及能级对齐的关联,为热力学计算提供聚合物基熵源。
2025-09-22 cond-mat.mtrl-sci cond-mat.soft cs.ET
Reservoir Computing using Stochastic p-Bits
我们提出了一个通用的硬件框架,直接实现储备池计算,一个流行的软件方法,用于实现和训练递归神经网络,特别适合于时间推理和模式识别的网络建设。我们提供了一个具体的例子的候选硬件单元的基础上的组合的软磁铁,自旋轨道材料和CMOS晶体管,可以实现这些网络。水库计算机的有效非冯-诺依曼硬件实现可以为在各种新兴系统中集成时间神经网络开辟一条途径,例如物联网(IoT),工业控制,生物和光传感器以及自动驾驶汽车。
2017-09-29 cond-mat.mes-hall cs.ET cs.NE
Double Free-Layer Magnetic Tunnel Junctions for Probabilistic Bits
自然随机设备,利用周围的热噪声最近引起了人们的注意,作为硬件原语,用于加速概率计算应用。一种这样的方法是使用低势垒纳米磁体作为磁性隧道结(MTJ)的自由层,其磁波动在存在稳定的固定层的情况下被转换为电阻波动。在这里,我们提出和理论分析的磁性隧道结,没有固定层,但两个自由层,是圆形的磁盘磁铁。我们使用的实验基准模型,占有限的温度磁化动力学,偏置依赖的电荷和自旋极化电流,以及自由层之间的偶极耦合。我们得到的统计平均值的波动,是在良好的协议与数值模型的分析结果。我们发现,具有低直径的自由层的波动随机化的MTJ的电阻在一个近似偏置无关的方式。我们展示了如何使用这种MTJ在硬件中构建一个二进制随机神经元(或p位)。与需要在特定偏置点操作以产生随机波动的早期随机MTJ不同,所提出的设计对于宽范围的偏置值可以是随机的,独立于自旋转移扭矩钉扎。此外,在没有仔细优化的稳定固定层的情况下,可以通过对制造工艺的最小改变,使用当今的磁阻随机存取存储器(MRAM)技术来制造对称的双自由层堆叠。这样的设备可以用作节能计算方案中的硬件加速器,该节能计算方案需要可调随机位的大吞吐量。
2021-03-03 cond-mat.mes-hall cs.ET
Spin Vector Control for Heisenberg-Inspired Probabilistic Computing
Purdue University(普渡大学);Birck Nanotechnology Center, Purdue University(普渡大学比尔克纳米技术中心);University of California, Santa Barbara(加州大学圣塔芭芭拉分校);King Fahd University of Petroleum & Minerals (KFUPM)(法赫德国王石油与矿产大学)
该研究提出一种自旋电子平台,通过双铁磁自旋注入单层石墨烯实现自旋矢量控制,为概率计算提供了可扩展的低功耗非布尔架构方案。
2026-08-14 cond-mat.mes-hall cs.ET
Posner computing: a quantum neural network model
我们提出了一个建设,呈现在Quipper,量子算法的概率计算一个经典的功能,从n位到n位。该建筑的目的是感兴趣的主要特点Quipper它突出。然而,在神经网络的背景下,量子信息处理的效用感兴趣,我们提出的算法作为一个最简单的例子,一个特定的量子神经网络,我们首先定义。由于这个定义的灵感来自于费舍尔最近关于认知的可能量子基底的工作,我们在此之前对这项工作进行了简短的描述。
2016-12-30 cs.ET quant-ph
Physics-inspired Ising Computing with Ring Oscillator Activated p-bits
摩尔定律的接近尾声一直在推动特定领域硬件的开发,以解决一系列特殊的问题。沿着这些路线,具有固有随机构建块(p位)的概率计算已经显示出显著的前景,特别是在硬优化和统计采样问题的背景下。已经提出了p位,并在从异步架构中的小规模随机磁性隧道结(sMTJ)到同步架构中的大规模CMOS的不同硬件基板中进行了演示。在这里,我们设计并实现了一个真正的异步和中等规模的p-计算机(与$\approx$ 800 p位),密切模拟现场可编程门阵列(FPGA)中的sMTJ的异步动态。使用硬的种植伊辛玻璃问题的奇美拉格的实例,我们评估的异步架构的性能对一个理想的,同步的设计,执行并行化(色)精确吉布斯采样。我们发现,尽管缺乏任何仔细的同步,异步设计实现了并行性,在理想的,仔细调整和并行化的同步设计的算法缩放。我们的研究结果突出了大规模p计算机的前景,其中数百万个自由运行的p位由纳米级构建块(如随机磁性隧道结)制成。
2022-05-15 cs.AR cs.DC cs.ET
pc-COP: An Efficient and Configurable 2048-p-Bit Fully-Connected Probabilistic Computing Accelerator for Combinatorial Optimization
提出基于FPGA的2048-p-bit全连接概率计算加速器pc-COP,采用伪并行更新架构与speculate-and-select逻辑提升4倍性能,在图最大割基准上实现近99%准确率且资源占用更低。
2025-04-06 cs.ET
Hardware Design for Autonomous Bayesian Networks
在许多AI相关领域中流行的用于概率推理和因果推理的有向非循环图或贝叶斯网络可以映射到由概率比特(p比特)构建的概率电路,类似于随机人工神经网络的二进制随机神经元。为了满足标准的统计结果,各个p位不仅需要顺序地更新,而且还需要从父节点到子节点的顺序更新,这使得在软件实现中必须使用定序器。在本文中,我们首先使用SPICE模拟来证明自主硬件贝叶斯网络可以在没有任何时钟或定序器的情况下正确运行,但前提是各个p位被适当设计。然后,我们提出了一个简单的行为模型的自主硬件说明正确的无序列操作所需的基本特征。该模型也对SPICE模拟进行了基准测试,可用于模拟大规模网络。我们的研究结果可能是有用的硬件加速器的设计,使用节能的构建块适合低层次的实现贝叶斯网络。我们提出的随机硬件的自主大规模并行操作具有生物相关性,因为大脑中的神经动力学本质上也是随机和自主的。
2020-07-03 cs.ET
Implementing a Quantum Coin Scheme
量子计算有能力打破当前的密码系统,扰乱网上银行、购物、数据存储和通信。量子计算也有能力支持更强大、更有抵抗力的技术。在本文中,我们描述了Dmitry Gavinsky创建的数字现金方案,该方案利用了量子计算的能力。我们通过制定实施这一计划的方法作出贡献。对于量子币的创建和验证,我们将代数步骤转换为计算步骤。作为其中的一部分,我们描述了用于将存储在经典比特上的信息转换为存储在量子比特上的信息的方法。
2020-06-03 cs.ET quant-ph
sBSNN: Stochastic-Bits Enabled Binary Spiking Neural Network with On-Chip Learning for Energy Efficient Neuromorphic Computing at the Edge
在这项工作中,我们提出了随机二进制脉冲神经网络(sBSNN)的随机脉冲神经元和二进制突触(随机只在训练过程中),计算概率与一位精度的功率效率和内存压缩的类脑计算。我们提出了一种节能的实现所提出的sBSNN使用“随机位”作为核心计算原语,以实现随机神经元和突触,这是在90纳米CMOS工艺制造,实现高效的片上训练和推理的图像识别任务。测量的数据表明,“随机位”可以被编程为模仿尖峰神经元,以及用于训练二进制突触权重的随机尖峰定时依赖可塑性(或sSTDP)规则,而无需昂贵的随机数生成器。我们的研究结果表明,与全精度(32位)SNN相比,所提出的sBSNN实现提供了高达32倍的神经元和突触记忆压缩的可能性,并且对于双层全连接SNN,能量效率为89.49 TOPS/W。
2020-02-25 cs.AR cs.ET
CMOS + stochastic nanomagnets: heterogeneous computers for probabilistic inference and learning
University of California Santa Barbara(加州大学圣巴巴拉分校);Tohoku University(东北大学);Research Institute of Electrical Communication, Tohoku University(东北大学电气通信研究所);Graduate School of Engineering, Tohoku University(东北大学工学研究科)
本文提出将随机磁隧道结概率比特与FPGA结合构建CMOS+X异构原型,利用吉布斯采样实现高能效概率推断与学习,并展示其可大幅替代晶体管并降低能耗。
2024-02-23 cond-mat.mes-hall cs.AI cs.ET
From Bits to Qubits: Challenges in Classical-Quantum Integration
本研究聚焦经典到量子信息的量子编码阶段,比较Phase Encoding、Qubit Lattice和FRQI三种模型在量子处理工作流中的成本、效率与局限性。
2025-01-31 cs.ET quant-ph
A Microring as a Reservoir Computing Node: Memory/Nonlinear Tasks and Effect of Input Non-ideality
本研究将光学微谐振腔用于时分复用储备计算,结合虚拟节点法与岭回归训练实现线性及非线性逻辑运算,验证其最高2比特记忆能力,并指出需将储备池性能与输入信号同训练结果对比。
2022-03-11 cs.ET physics.optics
A Probabilistic Computing Approach to the Closest Vector Problem for Lattice-Based Factoring
Quantum Dice Ltd(量子骰子公司);University of Oxford(牛津大学)
本研究将概率计算应用于格基分解的CVP近似精化任务,设计了对应算法,验证了其求解CVP和作为分解子例程的有效性,可大幅减少所需格实例数量。
2025-10-22 cs.CR cs.ET math.OC
Synthesizing Number Generators for Stochastic Computing using Mixed Integer Programming
随机计算(SC)是一种高密度、低功耗的计算技术,它将值编码为一元比特流,而不是二进制编码(BE)值。实际的SC实现需要确定性的或伪随机数序列,其被最佳地相关以生成比特流并实现准确的结果。不幸的是,搜索空间的大小使得手动设计最佳相关的数字序列成为一项困难的任务。为了自动化这个设计负担,我们提出了一个合成配方,使用混合整数规划自动生成最佳相关的数字序列。特别是,我们的合成公式将乘法和平方电路等算术运算的准确度分别提高了2.5倍和20倍。我们还展示了如何我们的技术可以扩展到规模更大的电路。
2019-02-26 cs.ET
Probabilistic Circuits for Autonomous Learning: A simulation study
现代机器学习基于在数字计算平台上运行的强大算法,并且人们对加速学习过程并使其更节能非常感兴趣。在本文中,我们提出了一种完全自主的概率电路,用于快速有效的学习,无需使用数字计算。具体来说,我们使用SPICE模拟来演示一个无时钟的自治电路,其中所需的突触权重以模拟电压的形式读出。这种自主电路可能特别感兴趣,因为在移动和边缘计算的背景下,独立的学习设备。
2020-02-25 cond-mat.dis-nn cond-mat.mes-hall cs.ET
From Independent to Correlated Diffusion: Generalized Generative Modeling with Probabilistic Computers
Department of Electrical and Computer Engineering, University of California, Santa Barbara(加州大学圣塔芭芭拉分校电气与计算机工程系)
本文提出一种基于概率计算机的通用生成建模方法,通过引入马尔可夫链蒙特卡洛动态替代独立噪声注入,利用Ising耦合结构实现更符合目标系统的空间相关性建模。
2026-08-11 cs.ET cs.LG
Experimental Demonstration of an On-Chip CMOS-Integrated 3T-1MTJ Probabilistic Bit -- A P-Bit
Birck Nanotechnology Center(伯克纳米技术中心)
本文提出了一种基于CMOS集成3T-1MTJ的P-比特,通过3个晶体管和1个sMTJ实现铁路到铁路的随机输出,为在CMOS芯片上实现大规模概率计算架构奠定基础。
2026-04-27 cs.ET
Massively parallel computing on an organic molecular layer
目前的计算机运行速度高达10^13位/秒,但它们的顺序逻辑运算原理自20世纪50年代以来一直没有改变。虽然我们的大脑在每个神经元的基础上要慢得多(约10^3次/秒),但它能够在不断进化的神经回路中,基于数百万个神经元的集体操作做出卓越的决策。在这里,我们使用分子开关来构建一个组件,每个分子像神经元一样同时与许多邻居进行通信。该组件自发地重新配置自己以解决新问题的能力使我们能够实现传统的计算结构,如逻辑门和Voronoi分解,以及再现两种自然现象:热扩散和正常细胞突变为癌细胞。这是从当前串行位处理的静态计算范例到在动态变化的硬件中并行处理大量位的机制的转变。
2011-10-17 cs.ET physics.comp-ph
Leveraging Probabilistic Switching in Superparamagnets for Temporal Information Encoding in Neuromorphic Systems
大脑启发计算--利用神经科学原理支持大脑在解决认知任务方面无与伦比的效率--正在成为解决当今深度学习面临的几个算法和计算挑战的有前途的途径。尽管如此,当前类脑计算的研究是由我们在执行确定性操作的计算平台上运行深度学习算法的成熟概念驱动的。在这篇文章中,我们认为,在概率神经形态系统中采取不同的时间信息编码路线可能有助于解决该领域目前面临的一些挑战。本文认为超顺磁性隧道结是一种潜在的途径,可以实现新一代的大脑启发计算,结合了计算神经科学中两个互补见解的方面和相关优势-信息如何编码以及计算如何在大脑中发生。硬件算法协同设计分析表明,$97.41\%$的状态压缩的3层自旋电子学启用随机尖峰网络的MNIST数据集上的高尖峰稀疏性,由于时间信息编码的准确性。
2023-01-11 cs.ET
The Life and Death of Unwanted Bits: Towards Proactive Waste Data Management in Digital Ecosystems
我们每天的数据处理活动都会产生大量的数据。与物理废物和垃圾一样,不需要和未使用的数据也会通过降低存储系统的性能和容量并需要昂贵的处理来污染数字环境。在本文中,我们建议使用的教训,从现实生活中的废物管理在处理废物数据。我们展示了浪费数据对计算系统性能和运营成本的影响。为了实现更好的废物数据管理,我们为数字对象定义了废物层次结构,并提供了如何识别和分类废物数据的见解。最后,我们介绍了重用、减少和回收数据和软件的新方法,以最大限度地减少数据浪费的影响
2011-07-01 cs.ET
Ground-State Probabilistic Logic with the Simplest Binary Energy Landscape for Probabilistic Computing
National University of Singapore(新加坡国立大学);National Yang-Ming Chiao Tung University(阳明交通大学)
本文提出基于二进制能量景观的基态概率逻辑模型,利用Ising模型单元实现多体相互作用,通过概率电路验证了其在算术任务中的应用,展示了其在高性能量逻辑设计中的潜力。
2023-11-01 cs.ET physics.app-ph
Programmable electrical coupling between stochastic magnetic tunnel junctions
本研究实验演示了通过运算放大器电路实现的可编程电耦合p-bit对,可灵活实现正负耦合及全范围相关,用于可扩展的概率计算模拟退火。
2023-12-20 cs.ET
Voltage-driven Building Block for Hardware Belief Networks
概率自旋逻辑(PSL),基于二进制随机神经元(或p位)的网络,已被证明为许多功能提供了一个可行的框架,包括伊辛计算,贝叶斯推理,可逆布尔逻辑和图像识别。本文提出了一种硬件构建块的PSL架构,包括一个嵌入式MTJ和一个电容电压加法器的类型中使用的NeuMOS。我们使用SPICE模拟来展示这些构建块(或加权p位)的相同副本如何与电线互连,以完全在硬件中设计和解决NP完全子集和问题的一个小实例。
2019-02-08 cs.ET
A functionally reversible probabilistic computing architecture enabled by interactions of current-controlled magnetic devices
Data Storage Systems Center, Carnegie Mellon University(卡内基梅隆大学数据存储系统中心)
本文提出了一种基于电流控制磁性器件相互作用的功能可逆概率计算架构,通过磁性单元的互作用模拟确定性逻辑门,实现高效随机样本生成和复杂逻辑功能的可逆计算。
2026-01-19 cond-mat.mes-hall cs.ET
Spin-Orbit Torque Devices for Hardware Security: From Deterministic to Probabilistic Regime
保护知识产权(IP)已成为芯片设计人员面临的严峻挑战。大多数对策都是针对CMOS集成而定制的,并且往往会导致额外的电路或器件级修改造成的过度开销。另一方面,功率密度是亚50纳米节点的关键问题,需要替代设计概念。虽然最初是为容错应用程序量身定制的,但不精确计算已经成为一种通用设计技术。目前正在探索新兴设备,以实现用于不精确计算应用的超低功耗电路。在本文中,我们量化了使用新兴设备的不精确计算的安全威胁。更具体地说,我们利用固有的多态性和可调的随机行为的自旋轨道力矩(SOT)设备,特别是,巨大的自旋霍尔效应(GSHE)开关。我们直接在GSHE设备级别同时启用IP保护(通过逻辑锁定和加密),用于确定性和概率计算。我们使用最先进的布尔可满足性(SAT)攻击进行了全面的安全分析;这项研究表明,我们的GSHE原语在为确定性计算量身定制时具有卓越的弹性。我们还演示了概率计算如何阻止大多数(如果不是全部)现有的SAT攻击。基于这一发现,我们提出了一种攻击方案称为概率SAT(PSAT),它可以绕过逻辑锁定和不精确计算方案的加密提供的防御。此外,我们说明了如何仔细应用我们的GSHE原语可以保持安全,即使在应用程序的PSAT攻击。最后,我们还讨论了侧信道攻击和侵入式监控,这可以说是比SAT攻击更值得关注的威胁。
2019-03-31 cond-mat.mes-hall cs.CR cs.ET