使用福勒-诺德海姆炉的开关神经形态ISING机器

科学领域:

• 神经形态计算是一种神经形态计算.
• 量子力学就是量子力学.
• 计算神经科学是一种计算神经科学.

背景情况:

• 在统计力学和计算优化中,Ising问题是基本的.
• 经典模拟回火 (SA) 是解决这些问题的常见启发式方法,但可能是缓慢和低效的.
• 神经形态架构为更快,更节能的计算提供了潜力.

研究的目的:

• 介绍NeuroSA,一个用于有效解决Ising问题的神经形态架构.
• 为了利用福勒-诺德海姆量子力学道化进行值回.
• 为了证明NeuroSA能够实现对地面状态的非对称趋同的能力.

主要方法:

• 设计的NeuroSA具有异步的ON-OFF神经元,以模拟模拟的火动态.
• 实施了Fowler-Nordheim (FN) 化器,以适应性调整神经元值.
• 将经典模拟回火 (SA) 动态映射到整合和发火神经元上.
• 在组合优化基准 (MAX-CUT,Max独立集) 上验证了NeuroSA.

主要成果:

• 对于基准问题,NeuroSA始终产生接近或超过最先进的解决方案.
• 在没有特定图形调整的情况下,在Max Independent Set基准测试中实现了卓越的性能.
• 证明了SA的最佳逃逸和融合的有效复制,特别是在低温下.
• 成功地将NeuroSA映射到SpiNNaker2的神经形态平台上.

结论:

• 神经SA提供了一种强大的神经形态方法来解决Ising问题.
• 基于Fowler-Nordheim道的回火工艺可以实现高效的融合.
• NeuroSA的性能和平台兼容性凸显了它在复杂的优化任务中的实际潜力.