7.2 随机计算与概率比特：随机数当算子

7.2 随机计算与概率比特：随机数当算子

本节摘要：随机性除了当安全资产，还能直接当算子：随机计算把概率编码成比特流、用单个与门做乘法；概率比特（p-bit）则让器件在 0/1 之间随机游走、概率本身成为计算变量。本节对照两条路线的原理、忆阻器实现与适用边界。

两条路线，一个共同信仰

随机计算（stochastic computing，1960 年代的老想法）与概率比特（p-bit，2010 年代的新热潮）共享一个信仰：如果信息用概率表示，乘法就便宜得惊人。随机计算把数值 p 编码成"比特流中 1 的占比"，两个比特流过一个与门，输出的 1 占比恰好是 p×q——乘法硬件退化成一个晶体管。p-bit 走得更远：让器件自身就是随机数发生器，输出 1 的概率受输入电流控制，网络化的 p-bit 天然采样伊辛模型的玻尔兹曼分布，优化问题（组合优化、图分割）变成它的物理松弛过程。

两条路线把第 3 章的"敌人"（涨落）直接聘为算子。对比一下它们与确定性的数字计算的性格差异：数字计算给确定答案、要按时钟、电路复杂；随机计算给统计答案、无时钟、电路极简——精度每提升一倍，比特流长度翻倍，速度减半（这是它最大的结构性税）。

随机计算：与门做乘法的完整一笔账

把 0.6 与 0.5 相乘：0.6 编码为 1 占比 60% 的独立随机比特流，0.5 同理；两流过与门，输出 1 的条件是两流同时为 1，概率 0.6×0.5=0.3——输出流就是答案，只是带统计噪声。噪声随流长 L 按 1/√L 收敛：8 bit 精度（误差 <2⁻⁹）需要 L≈2¹⁸≈26 万比特流长，这是"精度-速度税"的具体数字。

忆阻器在其中的角色有二。角色一：编码器。第 7.1 节的 TRNG 协议直接产比特流，一个器件一路流，比 LFSR（线性反馈移位寄存器）伪随机数省面积且真随机（伪随机的相关性会污染乘法结果，L≈2¹⁸ 时相关伪影开始可见）。角色二：算子本身——用 Mott 阈值器件的阈值触发概率代替数字与门，乘加可以融合进器件物理。加法需要缩放器（防止概率超 1），这是随机计算工程上最繁琐的部分，多路选择器方案用 2:1 缩放换正确性。

随机计算与数字计算的账本对比（8 bit 精度乘加为例）
数字 IMAC（整数乘加）：逻辑深度 ~10 级 门面积 ~300 门 延迟 ~1ns
随机 SMAC（流式乘加）：与门 1 个 流长 2^18 延迟 = 流长 × 周期
结论：面积省两个数量级 速度慢五个数量级 —— 只配给低频任务
适用清单：图像低精度滤波 似然计算 神经网络推理的低精度层 控制器 PID
禁区：任何需要精确累加的任务（累加误差随运算数线性增长 且无法修正）
​

概率比特：让器件自己掷骰子

p-bit 的器件实现家族里，忆阻器系是重要一支：Mott 阈值器件在亚稳偏置下的触发概率随电流连续可调（第 5.3 节的神经元换个偏置点就是 p-bit）、随机电报噪声（RTN）显著的 RRAM 把阻值在两态间的随机跳变读出为比特流。p-bit 网络的杀手应用是伊辛机/组合优化：把旅行商、图着色、投资组合问题映射成自旋玻璃哈密顿量，p-bit 网络的物理松弛过程天然向低能量态收敛——不需要模拟退火的调度代码，物理规律自己完成退火。与数字退火机、相变伊辛机（PCM 阵列的另一条伊辛路线）对比，p-bit 的卖点是全异步、无时钟、常温工作。

两条路线的相似起源与分岔

有趣的是，两条路线在数学上共享同一个祖先——伊辛模型与蒙特卡洛方法。随机计算的比特流本质是把期望值计算转成采样平均（大数定律的电路版），p-bit 网络本质是吉布斯采样的硬件化（马尔可夫链蒙特卡洛的器件版）。理解了这一层，两条路线的优劣势就不神秘：采样平均的收敛速度是 1/√L（随机计算的精度税来源），MCMC 的收敛速度由混合时间决定（p-bit 解组合优化时"卡在局部极小"的来源）。也正因为同源，两者的硬件可以互通——p-bit 阵列读出的比特流就是最高质量的随机计算输入。对学习者的建议：先在纸面上理解这两个数学工具的收敛行为，再看任何硬件宣传，你会自带免疫"无限放大采样优势"的能力。数学基础决定你在这个方向能走多深，器件知识只是入场券。

一个诚实的能力边界清单

两条路线的适用边界值得逐条钉死。边界一：它们只吃"统计正确"的任务——任何要求逐比特精确的密码学运算（大整数乘法）都不适用，随机计算的累加误差是原理性的。边界二：随机数质量决定一切——伪随机源的相关性伪影在高精度场景翻车，真随机源（忆阻 TRNG）反而是这套架构的第一需求，这就是 7.1 与 7.2 必须连着读的原因。边界三：验证难——确定电路有测试向量，随机电路只能统计验证（置信区间），量产测试成本被低估是新团队的常见事故。

⚠️ 常见坑：用伪随机 LFSR 调试随机计算架构，流长拉到 2¹⁸ 以上后伪影污染结果，误判为器件问题。调试时先用软件真随机数校准系统基线，再换器件流，归因才干净。

💡 关键直觉：随机计算的经济学是"用时间买面积"——精度要求的每一比特都让比特流翻倍，但硬件只要一个门。它的战场在"面积比时间贵"的地方：亿级部署的传感器、贴片医疗设备。

一道最小系统的算术题

用随机计算做一层 4 bit 精度的神经网络推理，账目如下：流长 L=2⁸=256（4 bit 精度的收敛需求），一层 64 个乘加需要 64 个与门 + 输入缩放器，全部电路约几百个等效门；总延迟 = 256 拍 × 时钟周期。对照数字方案：64 个 8 位乘法器约数万门、延迟几十纳秒。结论落在随机计算的典型区间——**面积小两个数量级、速度慢三个数量级**。什么时候选它：门预算按百计、实时性按毫秒计的极端受限场景（皮下传感器、一次性诊断设备）。什么时候不选：门预算上万、实时性按微秒计的常规场景。这道题的算法可以直接搬去评估任何随机计算提案，替换参数即可。

本节要点回顾

• 概率即数值：0/1 占比编码让乘法退化为与门，精度税为每比特精度流长翻倍。
• 忆阻器双重角色：TRNG 供真随机流（编码器），亚稳器件直接当 p-bit（算子），与 7.1 的协议复用一脉相承。
• p-bit 的杀手应用：伊辛采样与组合优化，物理松弛替代调度代码，常温异步是卖点。
• 三条边界：只吃统计正确任务、真随机源是刚需、验证只能统计化——进场前逐条自查。