Aufgrund der Verlangsamung von Moores Gesetz sind domain-spezifische Hardware-Beschleuniger der einzige Weg, um den Energieverbrauch gewünschter Operationen zu verringern und im Leistungsbudget zu bleiben. Hier wurden AWS-Cloud-FPGAs eingesetzt, um Anwendungen im Bereich des Deep Learning und der Optimierung zu beschleunigen, indem der Algorithmus auf Hardware-Designs mit hoher Energieeffizienz abgebildet wurde.
Wir haben mit Simulationen und einem Experiment gezeigt, wie eine probabilistische Schaltung verschiedene Funktionalitäten erlernen kann. Wir haben herausgefunden, dass nicht-ideale Eigenschaften in stochastischen magnetischen Tunnelübergängen durch hardwarebewusstes in-situ Lernen ausgeglichen werden können. Mit diesem Ansatz sollte es möglich sein, p-Computer durch Anpassung der Konnektivität an die spezifischen Hardwareeigenschaften bis auf Gb-Skalen zu skalieren.
Es sind neue, über das Moore'sche Gesetz hinausgehende Ansätze erforderlich, um die Rechenleistung zu erhöhen. Das probabilistische Rechnen auf Basis von Spintronik-Hardware ermöglicht es, Unsicherheiten, die in Daten inhärent sind, effizient zu verarbeiten oder Zufälligkeit zur Interpretation, Ableitung und schnelleren und effizienteren Entscheidungsfindung als bei konventionellen Rechenmethoden zu nutzen.
Wir haben prognostiziert, dass richtig konzipierte Nanomagnete bei endlicher Temperatur mit Geschwindigkeiten von unterhalb einer Nanosekunde fluktuieren können. Wir haben numerisch und analytisch gezeigt, wie schnell sich der Ordnungsparameter des Nanomagneten umkehrt und wie lange es dauert, bis der Ordnungsparameter sein Speicherzustand verliert, indem wir die stochastische Landau-Lifshitz-Gilbert-Gleichung gelöst haben. Die schnellen Fluktuationen können für probabilistisches Rechnen genutzt werden. Die Codes für die numerischen Simulationen können hier gefunden werden. Die Prognose wurde später von zwei unabhängigen Gruppen, IBM und Tohoku University, experimentell bestätigt.
Memristive Bauteile werden in Bereichen wie In-Memory Computing und maschinellem Lernen eingesetzt. Wir haben eine Kinetische Monte Carlo Simulation durchgeführt, um Einblicke in die zugrunde liegende Physik des Filament-Bildungsprozesses von memristiven Nanostrukturen zu erhalten. Mit diesem Ansatz konnten wir experimentelle Messungen von HfO2-Memristoren erklären.
Wärmetransport im Nanometerbereich ist ein wichtiges Problem, um beispielsweise die Wärmeableitung von elektronischen Nanogeräten zu verstehen. In dieser Studie haben wir die McKelvey-Shockley-Gleichungen verwendet, um einen Ausdruck für den Wärmestrom abzuleiten, der vom ballistischen bis zum diffusiven Regime verwendet werden kann. Wir haben gezeigt, dass das Fouriersche Gesetz, das normalerweise nur im diffusiven Grenzbereich verwendet wird, für den linearen Transport vom ballistischen bis zum diffusiven Grenzbereich verwendet werden kann, wenn die Randbedingungen ordnungsgemäß spezifiziert sind.