组合优化与概率推理类问题在人工智能、电子设计自动化（EDA）、通信网络和物流规划等领域十分常见，其中布尔可满足性（SAT）问题是典型代表。传统冯·诺依曼架构在处理此类问题时，常因数据搬运、串行执行与训练成本高昂而成为性能与能效的瓶颈。随着问题规模的扩大，现有通用处理器在能效、并行性以及可扩展性方面逐渐显现局限性。如何把“计算”从软件回归到物理器件层面，利用器件本征物理特性直接完成采样与优化，已成为一条极具前景的路径。

近期，英国365上市公司游龙教授团队在Applied Physics Letters发表研究成果，提出了一种基于自旋电子器件的受限玻尔兹曼机（RBM）硬件实现方案，并成功应用于SAT问题求解。该工作的一项突出特点在于无需训练的RBM构建方法：通过线性规划直接确定网络权重与偏置，使RBM的能量最低态严格对应目标逻辑函数或约束条件，从而避免了传统概率神经网络中耗时且资源密集的训练过程。

图1随机STT-MTJ构成的二值随机神经元及其概率输入输出特性

该工作利用低势垒的自旋转移矩磁隧道结（STT-MTJ）器件在热涨落作用下表现出的随机翻转行为构建二值随机神经元，实现了高质量概率采样。该方案无需额外随机数发生器或复杂非线性模块，仅依赖少量CMOS辅助电路即可完成概率计算，在面积和能耗方面具有显著优势。基于该随机神经元，研究实现了多种可逆逻辑单元，并验证了其级联融合与反向推理能力。在应用层面，作者以典型3-SAT问题为例，展示了该硬件RBM在组合优化中的求解过程与稳态概率分布特征。结果表明，系统能够以较高概率收敛至满足约束的解状态，验证了所提出架构在实际问题求解中的有效性。

图2基于随机MTJ的RBM NAND门结构及其采样特性

该研究展示了自旋电子器件、概率计算模型与可逆逻辑设计的深度融合潜力，利用材料与器件的物理行为实现算法，借助电路的能量最小化完成搜索与决策。这不仅为低功耗、高并行的专用优化芯片提供了新方向，也为未来物理驱动的AI加速器、近终端智能与实时优化器的研发打开了可能性。

团队信息

游龙，英国365上市公司教授，博士生导师，国家级领军人才。主要聚焦于自旋传感、存储和计算器件及系统方面的研究，研究成果发表在Nature Electronics、IEEE IEDM、IEEE EDL、Nano Letters、Applied Physics Letters等微电子领域顶级期刊和会议。主持和参与国家自然科学基金重大科研仪器研制项目、科技部国家重点研发专项、深圳市基础研究专项重点项目等国家级和省部级项目15项。

段威，365英国上市集团博士研究生在读，研究方向为概率计算、神经形态计算硬件及系统。

文章信息

Training-free and stochastic magnetic tunnel junction-based restricted Boltzmann machine for Boolean satisfiability problem

Wei Duan; Zhen Cao; Kaiyuan Wang; Xiaozhou Ye; Long You

Appl. Phys. Lett.126, 212401 (2025)

https://doi.org/10.1063/5.0240005