旅行商问题（TSP）作为组合优化领域的经典难题，长期以来吸引了众多研究者投入探索，其在物流、路径规划、芯片设计等多领域均有重要应用。随着问题规模的不断扩大，传统算法在计算时间和能效方面的瓶颈愈发显著，迫切需要革新的计算架构和算法设计。近期，一项结合旋转轨道扭矩磁随机存储器（Spin-Orbit-Torque MRAM，简称SOT-MRAM）与层次聚类算法的TSP加速器取得突破性进展，为解决超大规模TSP问题开辟了全新途径。该加速器以其高并行度、能效优势和优异的解质量，在计算机科学领域引发广泛关注。SOT-MRAM作为一种新兴的存储技术，其独特的物理特性赋予其在硬件随机数生成和自然退火模拟方面的巨大潜力。相较于传统的随机数生成方式，SOT-MRAM基于自旋轨道扭矩效应的随机性不仅具备硬件紧凑，能耗低的优势，而且能实现高速的内存内计算。
这种集成随机性生成的特性，极大提升了Ising模型退火过程的运行效率。在此次加速器设计中，研究团队充分利用了SOT-MRAM的自然退火能力，将其嵌入每个TSP子问题的Ising宏单元中，使得退火过程无需通过复杂的软件控制即可高速完成，提高了计算的并行性和整体效率。层次聚类则在算法层面提供了对大规模TSP问题的结构化分解方法。传统TSP算法往往受限于全局搜索空间的巨大复杂度，导致计算资源无法有效聚焦于高效路径发现。通过层次聚类策略，原问题被划分为若干互相独立的子问题，每个子问题规模适中且局部相似性强，便于硬件单元高效处理。层次聚类不仅减少了各宏单元间的通信需求，还优化了整体解的整合过程，显著提升了解的精度和速度。
加速器架构基于存算一体化理念，利用交叉阵列（Crossbar, Xbar）结构实现高度集成的存储和计算单元。每个交叉阵列内嵌Set的Ising模型宏单元，独立解决其对应的子问题，无需频繁的数据传输。此设计避免了传统架构中普遍存在的因内存与计算单元分离而导致的瓶颈问题，有效降低了时延与能耗。大量的计算单元通过硬件并行协作，使得加速器在处理超过八万城市规模的TSP实例时，仍能保持令人瞩目的性能。据实验数据显示，该加速器在解决33,810城市与85,900城市两个超大TSP时，所得路径长度仅较Concorde精确求解器分别长22%和20%，而运行速度却提升了约8倍。这一性能表现充分展示了算法与硬件协同设计的强大优势。
传统Ising求解器在大规模问题中面临质量退化严重和能耗偏高的双重挑战，而此次基于SOT-MRAM的加速器突破了这些瓶颈。硬件随机数生成器的高效率和自然退火过程的高效性，不仅显著提高了求解质量，还降低了整体能耗，使得超大规模离散优化问题的实际应用成为可能。此外，层次聚类赋予了系统可扩展性和灵活性，使其能够适应多样化的应用场景和问题结构。这种面向未来的设计思路为大规模智能优化和领域特定计算器件的研发提供了宝贵启示。在物流配送、智能制造、交通路径规划等需要实时高效决策支持的领域，基于此类加速架构的解决方案将极大提升系统性能和经济效益。尤其是在物联网与边缘计算日益普及的时代，本地高效处理复杂TSP问题的能力将成为智能系统的重要组成部分。
综上所述，结合SOT-MRAM硬件特性与层次聚类算法的TSP加速器，不仅在性能指标上实现显著提升，更通过创新的硬件算法协同设计理念，推动了大规模组合优化问题的求解方法变革。未来随着器件工艺的进一步成熟与算法的不断优化，类似架构有望在更多复杂优化领域发挥关键作用，引领智能计算和优化技术的发展浪潮。
