文章摘要
【关 键 词】 量子计算、AI加速器、模拟神经网络、随机模拟、超导技术
新智元报道了一家名为Extropic的新公司，该公司由前谷歌量子计算团队的员工创立，提出了一种全新的计算方式，即利用物质随机波动驱动计算。这种计算方式被认为比经典计算机更快，更接近自然和我们大脑的计算方式，能够扩展硬件的性能界限，超越传统数字计算的约束。与当前的CPU、GPU、TPU、FPGA等数字处理器相比，这种全新的AI加速器快了数个数量级，而且更加节能。
公司创始人Gill Verdon的一段长达40分钟的采访视频上线后，引发了网友的热烈讨论。一些网友表示内容非常优质，但另一位网友指出，视频没有解释清楚芯片的工作原理和架构。对此，公司成员Beff Jezos发表了一条超长的QA，重新解释了相关问题。
在QA中，Jezos解释了为什么模拟神经网络并不是新事物，但IBM/Intel等公司尝试过类脑计算却没有成功。他认为，这些系统通常需要使用特殊的组件，如忆阻器等，或者过度追求模仿生物特性，如脉冲神经网络。然而，这些系统往往无法直接与最终应用对接，也很难找到有效的训练方法。Extropic旨在解决这些问题，并通过论文分享自己的研究成果。
Jezos还讨论了模拟计算的一般情况，指出以往的模拟计算主要集中在确定性算法上，但随机动力学则与之不同。模拟随机系统的数字算法通常收敛性较弱，且每个时间步骤所需的计算量远超其确定性的对应算法。因此，采用随机模拟方法是有其合理性的。
关于为什么现在才开始使用随机模拟技术，Jezos解释说，直到最近，我们才具备了构建真正随机模拟计算机的技术条件。即便在室温环境下，热波动也非常微小，只有非常微小的物理系统才会受到显著影响。而在电路设计上，这种微小化要求意味着需要具备几百阿托法拉的特征电容，这种电容只能通过较新的CMOS工艺来实现。
在讨论为什么选择超导技术和CMOS技术时，Jezos表示，他们选择超导技术作为起点，是因为通过约瑟夫森结，就可以实现非线性哈密顿动力学的模拟。然而，超导系统需要在几开尔文的低温下工作，这限制了它的实用性，而且大幅增加了工程复杂性。因此，他们需要探索如何在大规模可制造的环境中构建非线性随机系统，选择CMOS是自然而然的。
Jezos还讨论了模拟技术中处理相关噪声源的策略，以及如何处理硬件的个体差异。他提到，尽管硬件的个体差异带来了挑战，但他们在随机CMOS芯片领域积累了丰富经验，加快了研发进程。他们计划针对每个芯片的独特物理特性，进行个性化的训练和微调，包括它们的瑕疵。
最后，Jezos讨论了设计、验证、测试的复杂性，以及当前的工具是否支持他们设备运行的模式。他表示，他们的CMOS设备并不是在量子模式下运行，而是在随机模式下。他们内部有一些超低功耗晶体管的先进模型，是由他们的硬件物理专家团队开发的。他们不仅有丰富的经验，还有顶尖的人才。在测试和表征噪声方面，这是许多团队成员在量子计算领域多年职业生涯中的专长。
原文和模型
【原文链接】 阅读原文 [ 4495字 | 18分钟 ]
【原文作者】 新智元
【摘要模型】 moonshot-v1-32k
【摘要评分】 ★★★★★
