扩展摩尔定律通过结合新兴的纳米技术（X）增强互补金属氧化物半导体（CMOS）晶体管变得越来越重要。一类重要的问题涉及在概率机器学习、优化和量子模拟中使用的基于抽样的蒙特卡洛算法。在这里，我们将基于随机磁隧道结（sMTJ）的概率比特（p-bits）与现场可编程门阵列（FPGA）结合起来，创建了一个能效高的CMOS + X（X = sMTJ）原型。这种设置展示了如何通过利用吉布斯采样的算法更新顺序不变性，由sMTJ控制的异步驱动CMOS电路能够执行概率推理和学习。我们展示了sMTJ的随机性如何增强低质量的随机数生成器（RNG）。详细的晶体管级比较显示，基于sMTJ的p-bits可以替换多达10,000个CMOS晶体管，同时消耗的能量减少两个数量级。我们方法的集成版本可以推进涉及深度玻尔兹曼机和其他基于能量的学习算法的概率计算，具有极高的吞吐量和能效。
研究亮点总结：
1. 提出了一种结合随机磁隧道结（sMTJ）和现场可编程门阵列（FPGA）的新型CMOS + X（X = sMTJ）原型，用于能效高的计算。
2. 展示了如何利用sMTJ控制的异步驱动CMOS电路进行概率推理和学习，特别是通过吉布斯采样的算法更新顺序不变性。
3. 证明了sMTJ的随机性可以增强现有的随机数生成器（RNG），提高其性能。
4. 通过晶体管级比较，证明了基于sMTJ的p-bits在减少能耗的同时能够替代大量CMOS晶体管。
5. 该研究为概率计算的发展提供了新的方向，特别是在深度玻尔兹曼机和其他基于能量的学习算法方面，有望实现更高的吞吐量和能效。
本研究通过将sMTJ技术与FPGA结合，成功开发了一种新型的CMOS + X原型，这不仅在概率计算领域具有重要的应用前景，而且在能效方面实现了显著的提升。我们的实验结果表明，基于sMTJ的p-bits在减少能耗的同时能够替代大量CMOS晶体管，这对于未来低功耗、高性能计算设备的发展具有重要意义。此外，我们的研究为深度玻尔兹曼机和其他基于能量的学习算法的发展提供了新的可能性，预示着在概率计算领域将迎来更高的吞吐量和能效。
