論文の概要: CMOS + stochastic nanomagnets: heterogeneous computers for probabilistic
inference and learning
- arxiv url: http://arxiv.org/abs/2304.05949v2
- Date: Tue, 18 Apr 2023 03:10:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 17:10:37.827184
- Title: CMOS + stochastic nanomagnets: heterogeneous computers for probabilistic
inference and learning
- Title（参考訳）: CMOS + 確率ナノマグネット:確率的推論と学習のための異種コンピュータ
- Authors: Keito Kobayashi, Nihal Singh, Qixuan Cao, Kemal Selcuk, Tianrui Hu,
Shaila Niazi, Navid Anjum Aadit, Shun Kanai, Hideo Ohno, Shunsuke Fukami, and
Kerem Y. Camsari
- Abstract要約: CMOS + X (X = sMTJ) のプロトタイプを設計するために, 磁気トンネル接合 (sMTJ) ベースの確率ビット (p-bits) と多目的フィールドプログラマブルゲートアレイ (FPGA) の組み合わせを示す。
本手法はモンテカルロをベースとした確率的サンプリングと学習に不可欠な,高品質な真のランダム性を実現する。
- 参考スコア（独自算出の注目度）: 0.3914111960323199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extending Moore's law by augmenting complementary-metal-oxide semiconductor
(CMOS) transistors with emerging nanotechnologies (X) has become increasingly
important. Accelerating Monte Carlo algorithms that rely on random sampling
with such CMOS+X technologies could have significant impact on a large number
of fields from probabilistic machine learning, optimization to quantum
simulation. In this paper, we show the combination of stochastic magnetic
tunnel junction (sMTJ)-based probabilistic bits (p-bits) with versatile Field
Programmable Gate Arrays (FPGA) to design a CMOS + X (X = sMTJ) prototype. Our
approach enables high-quality true randomness that is essential for Monte Carlo
based probabilistic sampling and learning. Our heterogeneous computer
successfully performs probabilistic inference and asynchronous Boltzmann
learning, despite device-to-device variations in sMTJs. A comprehensive
comparison using a CMOS predictive process design kit (PDK) reveals that
compact sMTJ-based p-bits replace 10,000 transistors while dissipating two
orders of magnitude of less energy (2 fJ per random bit), compared to digital
CMOS p-bits. Scaled and integrated versions of our CMOS + stochastic nanomagnet
approach can significantly advance probabilistic computing and its applications
in various domains by providing massively parallel and truly random numbers
with extremely high throughput and energy-efficiency.
- Abstract（参考訳）: 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)で拡張することでムーアの法則を拡張することがますます重要になっている。
このようなCMOS+X技術でランダムサンプリングに依存するモンテカルロアルゴリズムの高速化は、確率的機械学習、最適化、量子シミュレーションなど、多くの分野に多大な影響を与える可能性がある。
本稿では,確率的磁気トンネル接合 (sMTJ) に基づく確率的ビット (p-bits) と多目的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,CMOS + X (X = sMTJ) のプロトタイプを設計する。
本手法はモンテカルロに基づく確率的サンプリングと学習に不可欠な高品質な真のランダム性を実現する。
この異種計算機は,smtjsのデバイス間変動にもかかわらず,確率的推論と非同期ボルツマン学習を成功させた。
CMOS予測プロセス設計キット(PDK)を用いた包括的比較では、小型のsMTJベースのpビットは1万個のトランジスタに置き換わり、デジタルCMOSのpビットと比較して2桁以下のエネルギー(ランダムビットあたり2fJ)を放出する。
CMOS + 確率的ナノマグネットアプローチのスケールおよび統合バージョンは、非常に高いスループットとエネルギー効率で非常に並列かつ真にランダムな数を提供することで、様々な領域における確率的計算とその応用を著しく向上させることができる。
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) - Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。
耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。
距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
論文 参考訳（メタデータ） (2024-02-22T16:33:48Z) - Sampling a rare protein transition with a hybrid classical-quantum
computing algorithm [0.0]
分子動力学(MD)によるマクロ分子の自発的構造再構成のシミュレーションは注目すべき課題である。
従来のスーパーコンピュータは最大10万ユーロの時間間隔にアクセスできるが、多くの重要なイベントは指数関数的に長い時間スケールで発生する。
我々は、機械学習(ML)と量子コンピューティングを組み合わせたパスサンプリングパラダイムを用いてこの問題に対処する。
論文 参考訳（メタデータ） (2023-11-27T14:58:29Z) - A full-stack view of probabilistic computing with p-bits: devices,
architectures and algorithms [0.014319921806060482]
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。
論文 参考訳（メタデータ） (2023-02-13T15:36:07Z) - Revealing microcanonical phase diagrams of strongly correlated systems
via time-averaged classical shadows [0.0]
本稿では,量子力学から量子コンピュータ上のミクロカノニカル相と相転移を研究する手法を提案する。
まず,100量子ビット系の基底状態計算に適用し,磁化と磁場の幾何学的関係を明らかにする。
次に、量子力学シミュレーションによるTACSデータの拡散マップは、位相決定特性を効率よく学習し、量子臨界領域を正しく同定することを示した。
論文 参考訳（メタデータ） (2022-11-02T16:39:52Z) - A single $T$-gate makes distribution learning hard [56.045224655472865]
この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。
ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
論文 参考訳（メタデータ） (2022-07-07T08:04:15Z) - Sampling Rare Conformational Transitions with a Quantum Computer [0.0]
本稿では,古典的な量子コンピュータ上に実装された機械学習アルゴリズムとMDシミュレーションを紹介する。
我々は、分子構成の小さなセットに基づいて、システムの力学の厳密な低分解能表現を導出する。
この結果は,機械学習と量子コンピューティングを統合するためのMDシミュレーションの新しいパラダイムを提供する。
論文 参考訳（メタデータ） (2022-01-27T19:46:06Z) - Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on
Quantum Computers [52.77024349608834]
少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。
逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
論文 参考訳（メタデータ） (2021-03-04T18:21:00Z) - Learnability and Complexity of Quantum Samples [26.425493366198207]
量子回路が与えられた場合、量子コンピュータは古典的コンピュータよりも出力分布を指数関数的に高速にサンプリングすることができる。
一定のトレーニング時間でnでスケールするトレーニングパラメータを持つモデルを用いて、基礎となる量子分布を学習できるだろうか?
本稿では,Deep Boltzmann Machine (DBM), Generative Adrial Networks (GANs), Long Short-Term Memory (LSTM), Autoregressive GANの4種類の生成モデルについて,深部ランダム回路で生成された量子データセットの学習について検討する。
論文 参考訳（メタデータ） (2020-10-22T18:45:25Z) - 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) - Simulating nonnative cubic interactions on noisy quantum machines [65.38483184536494]
量子プロセッサは、ハードウェアに固有のものではないダイナミクスを効率的にシミュレートするためにプログラムできることを示す。
誤差補正のないノイズのあるデバイスでは、モジュールゲートを用いて量子プログラムをコンパイルするとシミュレーション結果が大幅に改善されることを示す。
論文 参考訳（メタデータ） (2020-04-15T05:16:24Z)
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。