연구진은 기계 학습 워크로드의 에너지 및 지연 요구 사항 증가에 대응하기 위해 열역학 컴퓨팅 스택 청사진을 제시했어요. Langevin 동역학을 활용한 물리적 하드웨어의 확률적 아날로그 프로세스를 활용하여 에너지 효율적이고 빠른 컴퓨팅을 목표로 합니다. 연구는 확률적 그래프 모델 프레임워크를 기반으로 인기 있는 기계 학습 모델을 하드웨어 네이티브 에너지 기반 모델로 구성하고 훈련하는 방법을 보여줘요.
에너지 기반 열역학 컴퓨팅은 조정 가능한 에너지 포텐셜을 통해 Langevin 동역학으로 잘 설명되는 확률적 프로세스를 활용해요. 이러한 포텐셜은 물리적 하드웨어에서 생성 및 샘플링을 가능하게 합니다. 이론적 고려 사항과 수치 연구를 바탕으로 열역학 패러다임에서 다양한 모델의 런타임과 에너지 소비를 분석했어요.
예비 실험적 하드웨어 구현으로, 열적 노이즈에 의해 구동되는 확률적 아날로그 초전도 회로를 선보였어요. 이 결과는 확률적 기계 학습을 위한 에너지 효율적인 열역학 하드웨어 경로를 제시합니다.