《Advanced Intelligent Systems》:A Scalable and Resource-Efficient Pipelined p-Computer for Probabilistic Ising Machines
编辑推荐:
基于概率比特(p-bit)的概率伊辛机(PIM)为求解组合优化问题提供了一种硬件友好的途径,但多数数字实现通过利用稀疏交互来实现高吞吐量,这限制了其在稠密问题上的适用性,因为对于稠密问题,内存带宽和数据移动成为主要瓶颈。在此,研究人员展示了一种资源高效的流水线
基于概率比特(p-bit)的概率伊辛机(PIM)为求解组合优化问题提供了一种硬件友好的途径,但多数数字实现通过利用稀疏交互来实现高吞吐量,这限制了其在稠密问题上的适用性,因为对于稠密问题,内存带宽和数据移动成为主要瓶颈。在此,研究人员展示了一种资源高效的流水线现场可编程门阵列(FPGA)架构,能够在保持可扩展性和模块化的同时,实现全连接PIM的高吞吐量执行。该架构设计结合了深度流水线(>20级)的概率比特更新路径(该路径重叠了自旋评估与局部场更新),以及针对耦合矩阵和偏置矩阵的带宽感知片上存储器组织。该架构支持512个p-bit(采用16位定点系数)、1024个p-bit(采用10位系数)和2048个p-bit(采用2位系数),最高运行频率达300 MHz。在固定的并行度下,与经过优化的非流水线基线相比,其更新速率提高了一个数量级,同时改善了稠密工作负载的时间-面积权衡。在投资组合优化和低密度奇偶校验(LDPC)解码上的验证显示,与软件参考结果高度一致,且相较于非流水线设计,求解时间显著缩短,从而确立了流水线化作为面向稠密优化问题的可扩展数字概率计算的有效途径。
**面向稠密优化问题的可扩展概率伊辛机:一种深度流水线FPGA架构**
**一、研究背景与问题陈述**
组合优化问题(COP)广泛存在于通信网络、生物信息学、物流和人工智能等众多科学与工程领域。其中许多问题属于非确定性多项式时间(NP)困难问题,促使研究者探索能够遍历具有熵垒的复杂能量景观的替代计算范式。在过去十年中,伊辛机(IM)作为一类有前景的近似求解器脱颖而出,其实现方式包括量子退火机、振荡器网络、模拟分岔机和概率架构。概率伊辛机(PIM)基于概率比特(p-bit)工作,凭借其灵活且硬件友好的公式化表达,可实现全数字、模拟以及混合模拟-数字等多种架构,通过模拟自旋系统的随机采样来近似玻尔兹曼分布。
然而,现有的大多数PIM加速器依赖于耦合矩阵的稀疏性来降低内存和带宽需求。但在工业应用中,许多伊辛公式化表达本质上就是稠密的,例如低密度奇偶校验(LDPC)解码和投资组合优化问题。依赖固定拓扑连接(如Chimera、Pegasus、Zephyrus)或稀疏化处理的架构,在处理这类稠密问题时优势大幅削弱。这些方法通常需要额外的伊辛自旋用于图嵌入,这可能引入亚稳态从而改变原始问题的能量景观,并且需要昂贵的特定于问题的预处理和启发式算法,增加了计算开销。此外,根据计划的并行自旋更新数量,还需额外的硬件资源。因此,设计能够原生支持全连接问题的可扩展硬件架构成为一项关键需求。
**二、研究方法与关键技术**
为解决上述问题,研究人员设计、综合并实验验证了一种可扩展、低延迟、高吞吐量的PIM架构。该架构的核心是一个深度可配置的流水线更新引擎(超过20个流水线级),支持全对全交互,且无需利用稀疏性。其关键设计特点包括:其一,采用深度流水线(>20级)的概率比特更新路径,将自旋评估与局部场更新过程重叠执行,以最小化关键组合路径延迟;其二,实现带宽感知的片上存储器组织,结合共享与分页存储器、多行存储体分组以及对称性感知复用技术,以高效支持稠密耦合矩阵的访问;其三,采用可参数化的数值精度设计,支持整数部分和小数部分位宽独立配置;其四,提供可调节的并行化程度(DOP),即每个时钟周期内可读取和处理的J系数数量;其五,通过逻辑排序严格保持状态更新的顺序,实现可配置的流水线深度。该架构在AMD ZCU106开发板上完成了综合与实现,并通过板级测量验证了功能。研究在投资组合优化和LDPC解码两个基准问题上,将流水线架构与优化的非流水线基线及软件PIM参考进行了对比。
**三、研究结果**
**1. 非流水线基线架构分析:** 基线架构采用两阶段循环操作,先评估p-bit是否翻转,再更新局部场和能量。该架构的主要瓶颈在于局部场更新阶段,其关键组合路径限制了最高时钟频率仅为40 MHz。虽然可通过提高DOP来缓解,但这会显著增加硬件资源消耗和内存访问模式的复杂性。
**2. 资源高效流水线架构:** 所提出的流水线架构将非流水线设计的关键组合路径(包括局部场加法器、乘法器、tanh评估和比较器)划分为多个流水线级,直到满足目标频率。该设计通过重排局部场更新顺序,优先更新p-bit i+1的局部场,消除了连续评估间的关键数据依赖性。这使得下一个p-bit的评估可以在其局部场更新后立即开始,其余更新在后台进行。在23级流水线配置下,该架构在AMD ZCU106上实现了300 MHz的时钟频率,比非流水线基线高一个数量级。
**3. FPGA实现与综合结果:** 实验结果表明,对于固定的DOP,流水线架构的CLB(可配置逻辑块)利用率几乎不随p-bit数量增加而变化,因为MAC宽度和更新加法器数量主要由DOP决定。而全DOP配置则会导致逻辑资源快速增长。BRAM(块随机存取存储器)利用率随p-bit数量呈至少二次方增长,这主要由耦合矩阵的存储需求驱动。在更新速率方面,非流水线设计的吞吐量随问题规模增大而急剧下降,而流水线架构通过重叠评估和更新阶段,显著减缓了这种退化,无需按比例增加DOP。在固定DOP下,流水线PIM比非流水线基线实现了超过一个数量级的加速比。在时间-面积权衡方面,流水线设计在达到相同性能水平时,硬件成本显著更低。
**4. 基准问题硬件性能:** 在投资组合优化和LDPC解码基准测试中,流水线架构在最优DOP下,完成一次完整蒙特卡洛扫描(MCS)的时间比非流水线设计低5倍。在能量消耗方面,流水线架构在实验验证的设计上降低了52%的能耗,在预测配置上降低了约29%,这得益于执行时间的大幅减少超过了高频运行带来的动态功耗增加。
**四、讨论与结论**
与现有FPGA-based PIM架构相比,该研究实现的架构同时实现了最高的运行频率(300 MHz)、更高精度的耦合系数(最高16位),并且无需依赖稀疏化即可原生支持稠密全连接伊辛模型。该流水线设计同时支持并行更新算法(如动量退火)和更高阶的伊辛模型,展现出良好的可扩展性和适应性。
研究人员通过研究得出结论,该流水线FPGA实现通过重叠自旋评估与局部场更新,并协同设计带宽感知的片上存储器组织,有效缓解了稠密图上数字PIM的更新和内存瓶颈。在AMD ZCU106平台上,该设计在固定并行度下实现了比非流水线实现高一个数量级的更新吞吐量,同时逻辑资源增长主要受DOP而非问题规模控制。验证结果表明,定点实现保持了解决方案质量,在LDPC解码和投资组合优化案例中,采样时间提升了10倍,并降低了代表性稠密工作负载的能耗。这些结果确立了流水线化作为在可重构硬件上扩展全连接PIM的实用途径,无需依赖稀疏性、图嵌入或关键路径上的片外内存。该研究为稠密概率优化引擎提供了坚实的硬件基础,并为未来更可扩展的数字和混合伊辛系统指明了清晰路径。