新闻网讯 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。
