擴展摩爾定律通過結合新興的納米技術（X）增強互補金屬氧化物半導體（CMOS）晶體管變得越來越重要。一類重要的問題涉及在概率機器學習、優化和量子模擬中使用的基于抽樣的蒙特卡洛算法。在這里，我們將基于隨機磁隧道結（sMTJ）的概率比特（p-bits）與現場可編程門陣列（FPGA）結合起來，創建了一個能效高的CMOS + X（X = sMTJ）原型。這種設置展示了如何通過利用吉布斯采樣的算法更新順序不變性，由sMTJ控制的異步驅動CMOS電路能夠執行概率推理和學習。我們展示了sMTJ的隨機性如何增強低質量的隨機數生成器（RNG）。詳細的晶體管級比較顯示，基于sMTJ的p-bits可以替換多達10,000個CMOS晶體管，同時消耗的能量減少兩個數量級。我們方法的集成版本可以推進涉及深度玻爾茲曼機和其他基于能量的學習算法的概率計算，具有極高的吞吐量和能效。

研究亮點總結：

1. 提出了一種結合隨機磁隧道結（sMTJ）和現場可編程門陣列（FPGA）的新型CMOS + X（X = sMTJ）原型，用于能效高的計算。

2. 展示了如何利用sMTJ控制的異步驅動CMOS電路進行概率推理和學習，特別是通過吉布斯采樣的算法更新順序不變性。

3. 證明了sMTJ的隨機性可以增強現有的隨機數生成器（RNG），提高其性能。

4. 通過晶體管級比較，證明了基于sMTJ的p-bits在減少能耗的同時能夠替代大量CMOS晶體管。

5. 該研究為概率計算的發展提供了新的方向，特別是在深度玻爾茲曼機和其他基于能量的學習算法方面，有望實現更高的吞吐量和能效。

本研究通過將sMTJ技術與FPGA結合，成功開發了一種新型的CMOS + X原型，這不僅在概率計算領域具有重要的應用前景，而且在能效方面實現了顯著的提升。我們的實驗結果表明，基于sMTJ的p-bits在減少能耗的同時能夠替代大量CMOS晶體管，這對于未來低功耗、高性能計算設備的發展具有重要意義。此外，我們的研究為深度玻爾茲曼機和其他基于能量的學習算法的發展提供了新的可能性，預示著在概率計算領域將迎來更高的吞吐量和能效。