CMOS + stochastic nanomagnets: heterogeneous computers for probabilistic inference and learning

要約

タイトル：CMOS + 確率的ナノマグネット：確率的推論と学習のための異種コンピュータ

要約：
– Mooreの法則の減速に伴い、新興ナノテクノロジーを用いた補完的-Metal-Oxide Semiconductor (CMOS) トランジスタの強化がますます重要になっている。
– 本論文では、確率的磁気トンネルジャンクション（sMTJ）ベースの確率的ビット、またはpビットを用いて、Field Programmable Gate Arrays（FPGA）と組み合わせて、省エネルギーかつ異種のCMOS + X（X = sMTJ）プロトタイプを設計する方法を示す。
– sMTJデバイス間のバリエーションにもかかわらず、この異種コンピュータは成功裏に確率的推論と非同期ボルツマン学習を実行する。
– CMOS予測プロセス設計キット（PDK）を使用した包括的な比較により、高品質のランダム性をエミュレートするデジタルCMOSベースのpビットは、1生成されたランダム数あたりのエネルギーが、2fJしか放出しないsMTJベースのpビットよりも2桁以上大きいことがわかった。
– スケーリングされたおよび統合されたアプローチのバージョンは、確率的計算とそのさまざまなドメインでのアプリケーション、中でも確率的機械学習、最適化、および量子シミュレーションを大幅に前進させる可能性がある。

要約(オリジナル)

With the slowing down of Moore’s law, augmenting complementary-metal-oxide semiconductor (CMOS) transistors with emerging nanotechnologies (X) is becoming increasingly important. In this paper, we demonstrate how stochastic magnetic tunnel junction (sMTJ)-based probabilistic bits, or p-bits, can be combined with versatile Field Programmable Gate Arrays (FPGA) to design an energy-efficient, heterogeneous CMOS + X (X = sMTJ) prototype. Our heterogeneous computer successfully performs probabilistic inference and asynchronous Boltzmann learning despite device-to-device variations in sMTJs. A comprehensive comparison using a CMOS predictive process design kit (PDK) reveals that digital CMOS-based p-bits emulating high-quality randomness use over 10,000 transistors with the energy per generated random number being roughly two orders of magnitude greater than the sMTJ-based p-bits that dissipate only 2 fJ. Scaled and integrated versions of our approach can significantly advance probabilistic computing and its applications in various domains, including probabilistic machine learning, optimization, and quantum simulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI