利用内在噪声在电阻变化器Hopfield神经网络中进行组合优化
摘要：使用混合模拟数字计算方法解决重要的组合优化问题-基于忆阻器(二终端非易失性存储器)。此前的忆阻器加速器必须尽量减少模拟噪声效应，而我们展示了我们的优化求解器如何将这种噪声作为计算资源。在这里，我们描述了一种使用密集的交叉阵列执行大规模并行操作的忆阻器-Hopfield神经网络(mem-HNN)。我们提供了在模拟的交叉阵列中直接解决NP-hard最大割问题的实验演示，并通过实验验证模拟来探索问题规模的可扩展性，提供成功概率、解决时间和能量，以及与固有模拟噪声的相互作用。与完全数字化的方法以及当前的量子和光学加速器相比，我们预测mem-HNN每单位功耗的解决能力将提高四个数量级以上。这意味着与当前量子退火方法相比，性能和可扩展性显著提高，同时在室温下运行，并利用现有的CMOS技术与新兴的模拟非易失性忆阻器相结合。
作者：Fuxi Cai, Suhas Kumar, Thomas Van Vaerenbergh, Rui Liu, Can Li, Shimeng Yu, Qiangfei Xia, J. Joshua Yang, Raymond Beausoleil, Wei Lu, John Paul Strachan
论文ID：1903.11194
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2019-04-05