Máquina de Ising basada en redes neuronales oscilatorias utilizando memristores 2D

Las redes neuronales se utilizan cada vez más para resolver problemas de optimización en varios campos, incluidos la investigación de operaciones, la automatización del diseño y la secuenciación genética. Sin embargo, estas redes enfrentan desafíos debido al problema NP-hard (tiempo polinómico no determinista), lo que resulta en una complejidad computacional que aumenta exponencialmente a medida que crece el tamaño del problema. El hardware digital convencional enfrenta dificultades debido al cuello de botella de von Neumann, la ralentización de la ley de Moore y la complejidad que surge del diseño de sistemas heterogéneos. Los memristores bidimensionales (2D) ofrecen una solución potencial a estos desafíos de hardware, con su computación en memoria, una escalabilidad decente y comportamientos dinámicos ricos. En este estudio, exploramos el uso de memristores 2D no volátiles para emular sinapsis en una red neuronal de Hopfield en tiempo discreto, lo que permite que la red resuelva problemas de optimización continua, como encontrar el valor mínimo de un polinomio cuadrático, y abordar problemas de optimización combinatoria como Max-Cut. Además, acoplamos osciladores basados en memristores volátiles con sinapsis de memristores no volátiles para crear una máquina de Ising basada en redes neuronales oscilatorias, un sistema dinámico analógico en tiempo continuo capaz de resolver problemas de optimización combinatoria, incluidos Max-Cut y coloreo de mapas a través de sincronización de fase. Nuestros hallazgos demuestran que los memristores 2D tienen el potencial de mejorar significativamente la eficiencia, la compacidad y la homogeneidad de las máquinas de Ising integradas, lo que resulta útil para los avances futuros en redes neuronales para problemas de optimización.