华中科技大学集成电路学院游龙教授团队基于自旋电子概率计算硬件的免训练受限玻尔兹曼机求解布尔可满足性问题

近期，游龙教授团队在《应用物理快报》（Applied Physics Letters）发表研究成果，提出一种基于自旋电子器件的受限玻尔兹曼机（RBM）硬件实现方案，并成功应用于SAT问题求解。该工作的一项突出特点在于无需训练的RBM构建方法：通过线性规划直接确定网络权重与偏置，使RBM的能量最低态严格对应目标逻辑函数或约束条件，从而避免传统概率神经网络中耗时且资源密集的训练过程。

图为随机STT-MTJ构成的二值随机神经元及其概率输入输出特性。

组合优化与概率推理类问题在人工智能、电子设计自动化（EDA）、通信网络和物流规划等领域十分常见，其中布尔可满足性（SAT）问题是典型代表。传统冯·诺依曼架构在处理此类问题时，常因数据搬运、串行执行与训练成本高昂而成为性能与能效的瓶颈。随着问题规模的扩大，现有通用处理器在能效、并行性以及可扩展性方面逐渐显现局限性。如何把“计算”从软件回归到物理器件层面，利用器件本征物理特性直接完成采样与优化，已成为一条极具前景的路径。

研究团队利用低势垒的自旋转移矩磁隧道结（STT-MTJ）器件在热涨落作用下表现出的随机翻转行为构建二值随机神经元，实现了高质量概率采样。该方案无需额外随机数发生器或复杂非线性模块，仅依赖少量CMOS辅助电路即可完成概率计算，在面积和能耗方面具有显著优势。基于该随机神经元，研究实现了多种可逆逻辑单元，并验证了其级联融合与反向推理能力。在应用层面，作者以典型3-SAT问题为例，展示了该硬件RBM在组合优化中的求解过程与稳态概率分布特征。结果表明，系统能够以较高概率收敛至满足约束的解状态，验证了所提出架构在实际问题求解中的有效性。

图为基于随机MTJ的RBM NAND门结构及其采样特性。

研究展示了自旋电子器件、概率计算模型与可逆逻辑设计的深度融合潜力，利用材料与器件的物理行为实现算法，借助电路的能量最小化完成搜索与决策。这不仅为低功耗、高并行的专用优化芯片提供了新方向，也为未来物理驱动的AI加速器、近终端智能与实时优化器的研发打开了可能性。

相关链接：

https://doi.org/10.1063/5.0240005