纳米技术非常规计算路线图

第 1 节介绍如何利用磁性实现纳米级非常规计算。第1.1和1.2节重点介绍基于磁隧道结的自旋电子技术，第1.3和1.4节讨论基于自旋波和 skyrmion 的方法。

第 2 节讨论了忆阻器在非常规计算中的应用。

第 3 节讨论了用于非常规计算硬件实现的纳米材料系统，其中第3.2节重点介绍二维材料。

第 4 节深入探讨了使用概率进行复杂计算的领域，包括第4.1节中对概率计算的讨论和第4.2节中对量子计算的讨论。

第 5 节讨论了动态系统在复杂计算中的应用。第5.1节讨论了非常规计算如何利用物理系统固有的复杂动力学。第5.2和5.3节考虑了玻尔兹曼机和伊辛机的模型和硬件实现。第5.4节讨论了内存计算。

第6.1和6.2节讨论了内存计算。

最后，第7.1节讨论了脑启发计算，其中考虑到了海马体和大脑皮层之间的复杂相互作用。

在“超越摩尔定律”时代，随着边缘智能的不断增加，采用非常规方法的特定领域计算将变得越来越普遍。

当前的计算模型和底层技术存在一些缺点：（1）能源成本过高，会耗尽资源并最终影响我们的环境；（2）由于我们即将达到晶体管缩小的极限，登纳德缩放和摩尔定律正在放缓，这将对长期经济产生影响；（3）难以协调快速切换时间和长时间内存保留：由于层次化的内存结构，传统计算系统面临内存速度和容量之间的权衡，这会对数据总是饥渴的世界产生不利影响；（4）并行性有限：虽然传统计算可以通过多核处理器实现一定的并行性，但并非所有计算任务都能有效并行化，从而导致数据处理速度缓慢；（5）冯·诺依曼瓶颈限制了我们当前计算技术的尺寸、重量和功率（SWaP）。

新的非常规计算范式已经出现，以应对部分或全部这些挑战。同时，采用各种纳米技术来实现非常规计算将有利于降低能源成本、提高计算速度、减少占用空间、提高网络弹性和数据处理能力。现在是时候制定一个使用纳米技术进行非常规计算的路线图来指导未来的研究了，而这本合集旨在满足这一需求。

作者为非常规计算提供了一个整体路线图，其中包括电子自旋、忆阻器件、纳米材料、混合维度异质结、纳米磁体和各种动力系统。作者讨论了手稿中讨论的范式之间的异同，强调了潜在的联系。例如，手稿区分了神经形态计算和脑启发计算。虽然两者都基于生物大脑的行为，但前者通常与神经网络相关，而后者旨在深入研究大脑结构，同时考虑到具有不同记忆和处理功能的区域。它们还解决了其他解决组合优化和图论问题的范例，例如伊辛机和模拟分岔、在存在不确定性的情况下进行计算（例如贝叶斯推理引擎）、使用 p 位的概率计算、在内存中处理以规避冯·诺依曼瓶颈、用于解决 NP 问题的量子存储器和算法、使用 skyrmions 和自旋波进行大规模并行计算，以及用于增量学习和在资源严重受限的严酷环境中解决问题的脑启发计算，见图1。所有这些方法都比基于冯·诺依曼架构的传统布尔计算有优势。随着人工智能的计算需求以比电子摩尔定律快50倍的速度增长，更多非常规的计算和信号处理方法将会出现，而该路线图将有助于确定未来的需求和挑战。

图 1. 说明纳米技术的潜在应用。该路线图探索了跨各种计算范式的硬件实现，并重点介绍了准备充分利用纳米技术组件的计算模型。我们将重点介绍尖端计算模型和硬件实现，描述它们的现状和挑战，以及当前纳米技术为应对这些挑战所做的努力。第 1 节介绍使用磁铁和纳米磁铁进行神经形态计算的硬件实现。第 2 节介绍忆阻设备及其在非常规计算中的潜在用途。第 3 节介绍纳米材料在非常规计算中的应用。第 4 节介绍概率和量子计算。第 5 节考虑使用物理系统和物理启发模型（如 Ising 和 Boltzmann 机以及内存计算）进行非常规计算。第 6 节介绍内存计算。第 7 节介绍脑启发计算。

具体而言，伊辛机和玻尔兹曼机在（基于物理的）计算方法上是相似的。相比之下，模拟分叉与两者都相关，可以看作是基本思想的自然发展。它们将问题的解决方案嵌入到几个相互作用设备的基态配置中，这些设备的编程方式是偏置每个设备并调整它们之间的突触连接的权重。它们有两个显着的优势。首先，由于它们通过放松到基态进行计算，因此无需向其中注入外部能量来维持它们的激发态。这使得它们在能源使用方面非常节俭。其次，它们对错误的容忍度很高，因为计算活动是由许多设备协同工作的协作动作引起的，并且一个或几个设备的故障不会损害电路功能。使用大规模动态系统进行计算具有这些特征，其自然响应模仿了无需任何软件即可执行算法。例如，动态系统与内存计算范式的结合是解决大规模组合优化问题（包括素数分解）的一个有前途的方向。借助这一特性，大脑启发式计算也可以变得更加高效。采用 p 位的概率计算和利用量子位的量子计算也具有一些相互联系。p 位有时被称为穷人的量子位。不同之处在于，p 位有时是位 0，有时是位 1（具有量身定制的概率），但永远不会同时是 0 和 1，而量子位始终同时是 0 和 1，但在进行测量时会以不同的（量身定制的）概率折叠为任一位。概率计算和量子计算都已被证明能够解决组合优化问题，例如旅行商问题和最大可满足性，尽管需要进行彻底的可扩展性分析。同样，使用 skyrmions 进行计算与使用自旋波进行计算之间存在相似性，这不仅是因为它们都是磁性实体，还因为它们都可以用于模拟或数字信息处理。Skyrmions 也可能在量子计算中发挥作用。

此外，忆阻系统有望实现超快和超高密度的存储元件，这些元件可以模拟从矩阵乘法到硬件加速器和神经网络的生物现实突触等各种功能。特别是，新兴的记忆晶体管和混合维度异质结可以实现生物现实的神经元功能，例如输入自适应学习、持续学习、异质可塑性和复杂的脉冲行为，从而简化电路架构。纳米材料使印刷神经形态设备能够与生物兼容传感器和柔性电子应用集成。虽然这些新兴想法面临的挑战与浮栅存储器等更成熟的技术不同，但它们也有望实现替代范式，这些范式可以规避由于固有的优越物理特性、外形尺寸和设备指标而产生的技术障碍。它们的主要优势之一是响应函数的可调性，这为实现设备和电路奠定了肥沃的基础，为皮层架构和过程的电路实现奠定了基础。

本文不仅讨论了范式，还讨论了最适合给定方法的技术。大多数算法都可以用不同的设备和硬件执行，无论是纳米磁铁、纳米 CMOS、忆阻器还是其他东西。换句话说，它们通常与硬件无关。但是，某些算法在特定类型的设备上运行效果最佳，这取决于它们的特定属性，例如非挥发性、内在随机性、时间非局域性和记忆性。人工神经网络可以很好地适应忆阻器和磁性设备以及 CMOS。寻址和更新大型忆阻器交叉阵列是一项挑战，其中基于二维材料的双门控忆晶体管可以简化这些突触电路的架构和操作。概率计算的理想硬件将是低势垒纳米磁铁，也可能是 CMOS。伊辛机和其他依赖于将相互作用的设备组件松弛到多体基态的设备可以采用各种技术。但是，根据要解决的问题类型，有些技术可能比其他技术更好。一项受到广泛关注的技术涉及耦合振荡器，包括自旋霍尔纳米振荡器或 CMOS。在本文中，每个范例都用特定的技术基板来说明，无论是 CMOS、纳米磁体、忆阻元件还是其他东西，因为使用该技术实现范例既简单又方便。此外，所选技术可能会降低 SWaP，这是一个重要的考虑因素。

当然，每种技术都有其挑战。自旋电子和磁性技术的主要障碍是器件之间的差异、对缺陷的敏感性以及热噪声的有害影响。对于自旋波器件，挑战在于找到有效的输入和输出接口。对于天元离子计算，障碍在于对天元离子的大小、稳定性、产生、湮灭和电读出的控制不足。忆阻技术可能面临一些材料挑战，可能不得不应对器件之间的差异以及大规模集成所经历的困难。可扩展性也是一个问题。纳米材料水平的进步对于过渡到系统级应用是必不可少的。新兴的可调忆阻系统（例如来自二维材料和混合维异质结的忆晶体管）面临着额外的挑战，包括晶圆级生长、转移和作为后端 (BEOL) 电路的可能集成。对于概率计算，主要挑战是设备间差异，这阻碍了大规模集成，并且当使用由普通铁磁体制成的低势垒纳米磁体实现时，计算速度较慢，因为每秒翻转次数较少决定了 p 计算机速率。控制、相干性和读出是基于自旋的量子比特面临的迫在眉睫的障碍。需要有效的模拟退火技术来避免亚稳态（次优解）并加快计算速度，这对 Ising 机的耦合振荡器技术提出了挑战。内存计算面临与材料相关的挑战和实施的复杂性。最后，脑启发计算必须应对许多艰巨的挑战，例如忠实再现突触形成和树突形成，这些挑战很难通过人工设备和电路实现。

从本质上讲，没有一篇路线图文章可以声称自己是完全全面的，我们也不这样声称。新想法和新技术发展迅速，今天的先进技术明天就会过时。在这里，我们介绍了一些占主导地位且最有前途的非传统计算技术，我们相信这些技术将持续一段时间。

最后，一个关键需求是创建标准化指标来对不同的非常规计算方法进行基准测试。它们的性能应在各个层面进行评估，包括硬件（设备和电路）和算法。制定标准化指标是一项复杂的任务，需要跨学科合作以及对基本原理和设计目标的深入了解。然而，通过建立严格的指标，研究人员和从业者可以有效地比较和评估不同非常规计算系统的性能。通过应用整体方法，本路线图文章可以帮助实现这一目标。