使用基于神经形态硬件和相变记忆的尖端博尔兹曼机器解决最大切割问题
Yu Gyeong Kang1, Masatoshi Ishii2, Jaeweon Park1
1Department of Material Science & Engineering, Inter-University Semiconductor Research Center, Research Institute of Advanced Materials, Seoul National University, Seoul, 08826, Republic of Korea.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|October 23, 2024
概括
本研究介绍了一种使用尖端神经网络 (SNN) 的新硬件友好的方法,以有效地解决复杂的组合优化问题,如神经形态芯片上的Max-Cut. 该方法显示了有效的趋同性和对大规模问题的高精度.
科学领域:
- 神经形态工程的神经形态工程
- 计算神经科学是一种神经科学.
- 优化算法 优化算法
背景情况:
- 组合优化问题 (COP),如Max-Cut,是计算密集型的,资源需求随着问题大小的增加而呈指数增长.
- 现有的方法在大规模COP的可扩展性和效率方面扎.
- 神经形态硬件为节能计算提供了一个有前途的平台.
研究的目的:
- 通过在神经形态硬件上实现的尖端神经网络 (SNN) 提出一种硬件友好的方法来解决Max-Cut问题.
- 分析漏洞整合和发射 (LIF) 神经元的随机动态,用于尖端博尔茨曼机器 (sBM) 的硬件实现.
- 开发一种创新的算法,为大规模COP提供高效和准确的解决方案.
主要方法:
- 在神经形态硬件中实现基于尖端神经网络 (SNN) 的博尔兹曼机器 (BM).
- 用随机步行噪声对泄漏的整合和发射 (LIF) 神经元的随机动态分析.
- 开发一种创新的算法,利用sBM的重叠时间窗口.
- 在具有相变内存 (PCM) 突触的6晶体管/2电阻 (6T2R) 神经形芯片上进行硬件验证.
主要成果:
- 通过模拟,证明了大规模Max-Cut问题的有效融合和高精度.
- 在定制的神经形态芯片上成功实现硬件实现和验证.
- 拟议的回火技术和偏差分割方法,以提高趋同.
- 介绍了电路设计思路,以实现高效的采样趋同评估.
结论:
- 提出的基于SNN的神经形态硬件方法为能源效率和硬件可实现的COP解决方案提供了潜在的解决方案.
- 这项工作代表了第一个使用SNN神经形态硬件芯片解决Max-Cut问题的已知实例.
- 这些发现为神经形态计算在复杂的优化任务中的实际应用铺平了道路.
