論文の概要: A full-stack view of probabilistic computing with p-bits: devices, architectures and algorithms

• arxiv url: http://arxiv.org/abs/2302.06457v3
• Date: Thu, 16 Mar 2023 05:26:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-19 12:03:45.668997
• Title: A full-stack view of probabilistic computing with p-bits: devices, architectures and algorithms
• Title（参考訳）: p-bitsを用いた確率計算のフルスタックビュー:デバイス,アーキテクチャ,アルゴリズム
• Authors: Shuvro Chowdhury, Andrea Grimaldi, Navid Anjum Aadit, Shaila Niazi, Masoud Mohseni, Shun Kanai, Hideo Ohno, Shunsuke Fukami, Luke Theogarajan, Giovanni Finocchio, Supriyo Datta and Kerem Y. Camsari
• Abstract要約: pビットを用いた確率計算のフルスタックレビューを提供する。 pビットはエネルギー効率のよい確率システムを構築するのに使用できると我々は主張する。 我々は、機械学習からAIまで、確率的コンピュータの主な応用について概説する。
• 参考スコア（独自算出の注目度）: 0.014319921806060482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The transistor celebrated its 75${}^\text{th}$ birthday in 2022. The continued scaling of the transistor defined by Moore's Law continues, albeit at a slower pace. Meanwhile, computing demands and energy consumption required by modern artificial intelligence (AI) algorithms have skyrocketed. As an alternative to scaling transistors for general-purpose computing, the integration of transistors with unconventional technologies has emerged as a promising path for domain-specific computing. In this article, we provide a full-stack review of probabilistic computing with p-bits as a representative example of the energy-efficient and domain-specific computing movement. We argue that p-bits could be used to build energy-efficient probabilistic systems, tailored for probabilistic algorithms and applications. From hardware, architecture, and algorithmic perspectives, we outline the main applications of probabilistic computers ranging from probabilistic machine learning and AI to combinatorial optimization and quantum simulation. Combining emerging nanodevices with the existing CMOS ecosystem will lead to probabilistic computers with orders of magnitude improvements in energy efficiency and probabilistic sampling, potentially unlocking previously unexplored regimes for powerful probabilistic algorithms.
• Abstract（参考訳）: トランジスタは、2022年に75${}^\text{th}$ birthdayを祝った。 ムーアの法則によって定義されたトランジスタの継続的なスケーリングは、遅いペースで続けられる。 一方、現代の人工知能(AI)アルゴリズムによる計算需要とエネルギー消費は急増している。 汎用コンピューティングのためのトランジスタのスケーリングに代わるものとして、従来型技術とのトランジスタの統合が、ドメイン固有コンピューティングに有望な道として現れてきた。 本稿では、エネルギー効率とドメイン固有コンピューティング運動の代表的な例として、pビットを用いた確率計算のフルスタックレビューを行う。 pビットは、確率的アルゴリズムや応用に適したエネルギー効率の良い確率的システムを構築するのに使用できると我々は主張する。 ハードウェア,アーキテクチャ,アルゴリズムの観点から,確率的機械学習やaiから組合せ最適化や量子シミュレーションに至るまで,確率的コンピュータの主な応用について概説する。 新興ナノデバイスと既存のCMOSエコシステムを組み合わせることで、エネルギー効率の桁違いの改善と確率的サンプリングによる確率的コンピュータが実現される。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Solving Boltzmann Optimization Problems with Deep Learning [0.21485350418225244]
  Isingモデルは、高エネルギー効率計算のための将来のフレームワークとして、特に有望であることを示している。 イジングシステムは、計算のエネルギー消費に対する熱力学的限界に近づくエネルギーで操作することができる。 Isingベースのハードウェアを作成する際の課題は、基本的な非決定論的ハードウェア上で正しい結果を生成する有用な回路を最適化することである。
  論文  参考訳（メタデータ） (2024-01-30T19:52:02Z)
• Thermodynamic Computing System for AI Applications [0.0]
  熱力学計算のような物理ベースのハードウェアは、AIプリミティブを加速する高速で低消費電力の手段を提供する可能性がある。 処理ユニット(SPU)と呼ばれる最初の連続可変熱力学コンピュータを提示する。
  論文  参考訳（メタデータ） (2023-12-08T05:22:04Z)
• Towards Quantum Computational Mechanics [1.530480694206666]
  本稿では、量子コンピューティングを用いて、計算ホモジェナイゼーションにおける代表要素体積(RVE)問題を解く方法について述べる。 我々の量子RVE解法は古典解法に対して指数加速度を得る。
  論文  参考訳（メタデータ） (2023-12-06T12:53:02Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• Machine Learning Quantum Systems with Magnetic p-bits [0.0]
  ムーアの法則の減速は、人工知能(AI)アルゴリズムの計算ワークロードが急上昇し続けるにつれ、危機に繋がった。 スケーラブルでエネルギー効率のよいハードウェアは、AIアルゴリズムやアプリケーションのユニークな要件に合わせて緊急に必要である。 pビットによる確率計算は、スケーラブルでドメイン固有でエネルギー効率の良い計算パラダイムとして登場した。
  論文  参考訳（メタデータ） (2023-10-10T14:54:57Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• CMOS + stochastic nanomagnets: heterogeneous computers for probabilistic inference and learning [0.16365624921211983]
  相補的金属酸化物半導体(CMOS)トランジスタを新規ナノ技術(X)で強化するムーアの法則はますます重要になっている。 重要な問題の1つのクラスは、確率的機械学習、最適化、量子シミュレーションで使用されるサンプリングベースのモンテカルロアルゴリズムである。 ここでは、磁気トンネル接合(sMTJ)に基づく確率ビット(pビット)とフィールドプログラマブルゲートアレイ(FPGA)を組み合わせて、エネルギー効率の良いCMOS + Xプロトタイプを作成する。
  論文  参考訳（メタデータ） (2023-04-12T16:18:12Z)
• A Quantum Algorithm for Computing All Diagnoses of a Switching Circuit [73.70667578066775]
  ほとんどの人造システム、特にコンピュータは決定論的に機能する。 本稿では、量子物理学が確率法則に従うときの直観的なアプローチである量子情報理論による接続を提供する。
  論文  参考訳（メタデータ） (2022-09-08T17:55:30Z)
• Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
  量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。 シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。 これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-28T17:21:25Z)
• Einsum Networks: Fast and Scalable Learning of Tractable Probabilistic Circuits [99.59941892183454]
  我々は,PC用の新しい実装設計であるEinsum Networks (EiNets)を提案する。 中心となるのは、E EiNets は単一のモノリシックな einsum-operation に多数の算術演算を組み合わせている。 本稿では,PCにおける予測最大化(EM)の実装を,自動微分を利用した簡易化が可能であることを示す。
  論文  参考訳（メタデータ） (2020-04-13T23:09:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。