核心发现
方法论
该研究介绍了参数化随机电路(PSCs)，作为可编程随机动态的门控中间表示。PSCs结合JAX框架torx，支持构建、执行和微分。PSCs的数据类型和随机核与新兴概率硬件的本机操作紧密对齐，避免了在映射过程中引入的分解、通信或控制开销。
关键结果
- 在X0亚阈值CMOS测试芯片上进行的硬件实验中，使用概率位(pbits)为Metropolis-Hastings和重要性采样估计器提供物理随机性，结果与软件伪随机基线一致。
- 在随机图网络、跳跃扩散和Ising采样等应用中，PSCs框架展示了其有效性。
- 通过离散扩散和随机行走等例子，验证了PSCs的广泛适用性。
研究意义
该研究为随机算法的硬件实现提供了一种高效的中间表示，能够直接利用硬件的本机操作，减少能量消耗。这一框架在学术界和工业界具有重要意义，尤其是在需要高效随机计算的领域，如机器学习和统计物理。
技术贡献
PSCs提供了一种新的随机动态编程模型，与现有软件框架不同，它直接与硬件的本机操作对齐，减少了额外的计算开销。该框架还引入了新的微分方法，支持多种执行模式。
新颖性
PSCs是首个将随机电路与硬件本机操作紧密结合的框架，提供了直接在硬件上实现随机算法的可能性，避免了传统方法中的高昂开销。
局限性
- PSCs的实现依赖于特定硬件平台，可能限制其在不同硬件上的通用性。
- 框架的复杂性可能导致在大规模应用中的性能瓶颈。
未来方向
未来的研究方向包括扩展PSCs框架以支持更多类型的硬件平台，以及优化其在大规模应用中的性能。
AI 总览摘要
现代算法越来越多地依赖于参数化随机映射，如扩散模型和蒙特卡罗方法。然而，现有的随机计算框架往往在高抽象层次上提供可组合的原语，未能充分利用新兴概率硬件的优势。
本文提出了参数化随机电路(PSCs)，作为可编程随机动态的门控中间表示。PSCs结合JAX框架torx，支持构建、执行和微分。通过与硬件本机操作的紧密对齐，PSCs能够直接在硬件上设计随机算法，避免了传统方法中的高昂开销。
在各种应用中，包括随机图网络和Ising采样，PSCs展示了其有效性。此外，硬件实验表明，PSCs能够在X0亚阈值CMOS测试芯片上实现与软件伪随机基线一致的结果。这一框架为随机算法的高效硬件实现提供了新的可能性。
深度分析
研究背景
近年来，随着机器学习和统计物理等领域的发展，随机算法的需求不断增加。传统的随机计算框架，如Pyro和NumPyro，主要在高抽象层次上提供可组合的建模和推理原语。然而，这些框架往往忽视了硬件的本机操作，导致额外的计算开销。
核心问题
现有的随机计算框架未能充分利用新兴概率硬件的优势，导致能量消耗增加和性能瓶颈。如何设计一种能够直接在硬件上实现随机算法的框架，成为一个亟待解决的问题。
核心创新
PSCs框架通过将随机电路与硬件本机操作紧密结合，提供了一种高效的中间表示。• 通过JAX框架torx，支持构建、执行和微分。• 提供多种执行模式，适应不同的硬件平台。
方法详解
- �� 定义PSCs为门控中间表示，支持可编程随机动态。• 结合JAX框架torx，支持构建、执行和微分。• 通过与硬件本机操作的紧密对齐，减少能量消耗。
实验设计
实验在X0亚阈值CMOS测试芯片上进行，使用概率位(pbits)为Metropolis-Hastings和重要性采样估计器提供物理随机性。结果与软件伪随机基线一致，验证了PSCs的有效性。
结果分析
PSCs在随机图网络、跳跃扩散和Ising采样等应用中展示了其有效性。硬件实验表明，PSCs能够在X0芯片上实现与软件伪随机基线一致的结果。
应用场景
PSCs框架适用于需要高效随机计算的领域，如机器学习和统计物理。通过直接在硬件上实现随机算法，PSCs能够显著减少能量消耗。
局限与展望
PSCs的实现依赖于特定硬件平台，可能限制其在不同硬件上的通用性。此外，框架的复杂性可能导致在大规模应用中的性能瓶颈。
通俗解读 非专业人士也能看懂
想象一下你在厨房做饭。传统方法就像用很多锅碗瓢盆，做完后还要清洗。而PSCs就像一台多功能料理机，能同时处理多种食材，节省时间和能量。PSCs的设计让它能直接利用厨房里的电器，就像料理机能直接插电使用，而不需要额外的转换器。这种直接的连接减少了不必要的麻烦，让烹饪过程更高效。
简单解释 像给14岁少年讲一样
嘿，想象一下你在玩一个超级复杂的游戏。这个游戏需要你同时控制很多角色，每个角色都有自己的任务。传统的游戏方式就像你需要不停地切换角色，手忙脚乱。而PSCs就像一个超级智能的助手，能帮你同时控制所有角色，让你轻松过关。它能直接利用游戏机的所有功能，就像你能用手柄上的每一个按钮，而不需要额外的配件。是不是很酷？
术语表
Parametrized Stochastic Circuits (参数化随机电路)
一种用于可编程随机动态的门控中间表示。
PSCs用于优化随机算法的硬件实现。
JAX
一种用于高性能数值计算的开源框架。
torx框架基于JAX构建。
Metropolis-Hastings
一种用于采样概率分布的蒙特卡罗方法。
在硬件实验中用于验证PSCs的有效性。
Ising Sampling (Ising采样)
一种用于物理系统模拟的随机采样方法。
PSCs框架在Ising采样中展示了其有效性。
X0 Subthreshold CMOS Test Chip (X0亚阈值CMOS测试芯片)
一种用于验证PSCs硬件实现的测试芯片。
在实验中提供物理随机性。
开放问题 这项研究留下的未解疑问
- 1 如何在不同硬件平台上实现PSCs？现有的实现依赖于特定硬件，限制了其通用性。
- 2 PSCs在大规模应用中的性能如何优化？框架的复杂性可能导致性能瓶颈。
应用场景
近期应用
机器学习优化
PSCs可用于优化机器学习中的随机算法，减少能量消耗，提高计算效率。
远期愿景
统计物理模拟
PSCs可用于大规模统计物理模拟，提供更高效的计算方法。
原文摘要
We introduce Parametrized Stochastic Circuits (PSCs), a gate-based intermediate representation for programmable stochastic dynamics in which typed local stochastic kernels with tunable parameters compose over explicit binary, categorical, and continuous wires, and \texttt{torx}, an open-source JAX framework for constructing, executing, and differentiating them. PSCs' data types and stochastic kernels are chosen to align closely with the native operations exposed by emerging probabilistic hardware. In this way, stochastic algorithms can be designed directly in terms of the operations the hardware executes natively, so that the energy advantage arising at this level is not lost on mappings that introduce substantial decomposition, communication, or control overhead. We demonstrate the framework on a variety of example applications such as random walks on graphs, discrete diffusion, stochastic graph networks, jump diffusion and Ising sampling. We also report a hardware experiment in which probabilistic bits on the X0 subthreshold CMOS test chip, hosted by the XTR-0 desktop platform, provide physical randomness for Metropolis-Hastings and importance-sampling estimators, yielding estimates consistent with a software pseudorandom baseline.