位於洛倫斯伯克利國家實驗室的研究人員，開發了一個設計和訓練框架，讓計算機可以利用熱噪聲作為能量來源，而不是將其視為障礙。該研究顯示，熱力學計算現在可以模擬神經網絡，執行複雜的非線性機器學習任務。所有這一切都是在室溫下進行，並利用電子的微觀振動，這些振動是傳統計算機耗費大量能量來抑制的。
在傳統計算和量子計算中，熱被視為敵人。熱噪聲，即電荷載體如電子的隨機振動，可以混淆數據並導致錯誤。為了對抗這一點，傳統計算機通常在高功率範圍內運行，以淹沒噪聲，而量子計算機則經常需要將系統冷卻至接近絕對零度。熱力學計算則顛覆了這一範式。熱力學計算是以噪聲為動力的，分子工廠的研究科學家兼論文共同作者斯蒂芬·懷特蘭解釋道。熱力學計算的前提是，如果你拿一個能量規模與熱能相當的物理設備，讓它靜置，隨著時間的推移，它會因熱波動而改變狀態。目標是編程使這一時間演變具有實用性。
到目前為止，熱力學計算面臨著兩個主要障礙。第一個障礙是平衡約束，這意味著研究人員之前必須等待系統穩定到最低能量狀態，才能進行計算，這一過程通常過於緩慢，無法實際應用。此外，該領域面臨線性限制，技術在很大程度上僅限於簡單的線性代數，這使其不適合現代人工智能的複雜非線性需求。該團隊通過數字模擬避開了這些障礙。他們證明，通過使用非線性元件，熱力學計算機可以被訓練在特定時間進行計算，而不必等待系統達到平衡。這使得硬體的運作更像傳統處理器——快速且可預測，但能源消耗卻是微乎其微的。
由於熱力學計算機是隨機的，這意味著由於熱的隨機性，沒有兩次運行的結果完全相同，因此標準的人工智能訓練方法無法適用。為了解決這一問題，研究人員科爾尼爾·卡塞特利用了NERSC的Perlmutter超級計算機。卡塞特使用96個GPU並行運行進化模擬，評估超過一兆條噪聲軌跡。通過使用遺傳算法，團隊能夠為噪聲驅動系統找到最佳參數。卡塞特補充道，數字模擬訓練熱力學神經網絡是昂貴的，但一旦訓練完成並建造為物理硬體，我們可以以非常低的能量成本在該硬體上進行推理。
這一發展的影響是巨大的。當前，一次Google搜尋所消耗的能量足以為一個六瓦的LED燈供電三分鐘。通過將人工智能推理的重任轉移到熱力學硬體上，這一能量成本可能會大幅降低。伯克利實驗室的團隊目前正在尋找實驗夥伴，將這些數字設計轉化為物理硬體。
