Dec, 2023

用于人工智能应用的热力学计算系统

PDF
TL;DR近期人工智能算法的突破强调了真正释放人工智能潜力所需的新型计算硬件的需求。本文介绍了第一个连续变量热力学计算机，称为随机处理单元 (SPU)，它由 RLC 电路组成，在一个印刷电路板上，有 8 个单元，通过开关电容进行全对全耦合。我们展示了 SPU 在高斯采样、矩阵求逆等方面的应用，以及在神经网络分类的不确定性量化中的适用性，我们预计当该硬件规模扩大时，将对加速各种概率性人工智能应用产生重大影响。
发现论文，激发创造
  • 热力学 AI 和涨落界面

    提出了一个称为热力学 AI 的数学框架，它将许多物理启发的人工智能算法统一起来，并将其与热力学系统中的随机波动相结合，以实现利用波动作为一种计算资源的计算范式，从而加速这些算法。该框架使用了新型的构建基块，即随机位（s-bits）和随机模（s-modes），并提供了一些简单的物理体系结构来构建这些设备。

    Feb, 2023

  • 通过自治量子热机实现的热力学计算

    基于自治量子热机的物理模型可以实现任何线性可分函数，并可作为神经网络的物理模拟实现以及热力学计算的平台。

    Aug, 2023

  • 利用深度学习构建定制热力学

    基于基本的物理原理，特别重要的是对复杂动态系统进行宏观动力学建模，通过学习化简的热力学坐标和在这些坐标上解释动力学来实现。我们通过在聚合物拉伸和空间流行病的研究中验证了这种方法的有效性，表明我们的方法适用于广泛的科学和技术应用。

    Aug, 2023

  • 用磁性 p 位对量子系统进行机器学习

    Moore's Law slowdown necessitates scalable and energy-efficient hardware for AI algorithms, with probabilistic computing and spintronic devices showing promise in designing integrated p-computers for the emerging field of machine learning and quantum physics.

    Oct, 2023

  • 低功耗神经形态处理硬件

    本文回顾了构建新一类仿效人脑以时间编码和处理信息的信息处理引擎所涉及的一些体系结构和系统级设计方面，以解决能效问题。

    Jan, 2019

  • 通过硬件 - 算法 - 通信协同设计实现高效可信的 AI

    本文旨在实现高效可靠的人工智能，通过将物理洞察力、神经科学原理、信息论上的最优不确定性量化结果以及分布式处理的通信理论准则与计算基础相结合的硬件和软件设计的研究方向，倡导不仅关注准确性而且关注不确定性量化的新的设计方法论，利用新兴的计算硬件架构，摆脱传统的冯・诺依曼数字计算范式，采用内存计算、神经形态计算和量子计算技术。

    Sep, 2023

  • 用于机器学习的光子张量核心

    介绍了一种用于矩阵向量乘法和求和的集成光子学 TPU，通过利用波长分割复用、纳秒级延迟和基于相变材料的光学多态存储器，结合这些材料、功能和系统的物理协同作用，展示了这种 8 位光子 TPU 的性能比电子 TPU 高 2-3 个数量级，而占用的芯片面积类似，表明光子专用处理器在增强电子系统方面具有潜力，并且在即将到来的 5G 网络及其后面的网络边缘设备中表现特别出色。

    Feb, 2020

  • 量子辅助下学习嵌入式概率图模型

    通过嵌入技术添加冗余数据集，可以提高量子模拟器的模型容量，因此，我们的方法可以避免其每次迭代基于推断有效温度的需求，从而加快了学习速度，减轻了参数控制噪声的影响，使其能够验证使用量子计算实现生成模型的可行性，并为这些量子技术在与机器学习相关的任务上进行基准测试提供了适当的框架。

    Sep, 2016

  • 使用玻尔兹曼机学习热力学

    通过学习物理系统中热力学量的 Boltzmann 机器，通过自发的学习机器，我们训练了 Boltzmann 机器， 并通过其生成的自旋状态检验热力学可观测量与直接 MC 采样的差距，证明了 Boltzmann 机器能够忠实地再现物理系统的可观测量，并观察到随着系统接近临界状态需要更多的神经元以获得准确的结果。

    Jun, 2016

  • 低温神经形态硬件

    本文综述了低温神经形态计算硬件的现状，包括分类、性能指标和应用等方面，并提出了解决当前挑战的思路。

    Mar, 2022