5、纳米、量子与分子计算中的容错技术与工具

纳米、量子与分子计算中的容错技术与工具

1. 纳米计算的容错优势

在纳米计算领域，模块级冗余方法展现出显著优势。以使用内部三模冗余（TMR）的NanoBoxes且在模块级也采用TMR的处理器系统为例，与传统CMOS因软错误导致的预期故障发生率相比，该系统能承受比当代CMOS高20多个数量级的软错误率，同时仍能确保其工作负载100%正确运行。不过，NanoBoxes内的错误检测和纠错逻辑在相关研究中未进行故障注入测试。而且，该系统的面积成本约为仅使用无内部冗余和模块级冗余的NanoBoxes的9倍，但即便如此，其容错效果依然令人印象深刻。

2. 非传统计算模型与架构

除了传统的缺陷和容错形式（如NMR、重新配置、纠错编码等），研究人员正在探索多种构建可靠纳米计算系统的途径。

2.1 神经网络

• 原理与挑战 ：过去二十年来，受生物启发的人工神经网络在解决复杂非线性问题方面表现出色。它抽象了生物神经元和突触的特性，形成分布式计算网络。然而，纳米电子实现神经网络面临两大挑战：一是神经网络连接丰富，需要长距离通信，而纳米电子实现更倾向于本地互连和短距离通信；二是使用求和确定连接权重的神经网络，由于单电子晶体管的随机特性容易出错。
• 解决方案 ：Rouw等人提出基于本地互连的线性拓扑结构，利用时间延迟、Hebbian学习和经典条件反射作为训练方法。此外，还有不同的研究工作提出了多种纳米级神经网络架构，如基于单电子锁存开关的纳米级二进制权重、模拟信号（BiWAS）突触，以及基于单电子隧穿随机特性的玻尔兹曼机神经网络。