本文探讨了基于AQFP的随机化二值神经网络（SupeRBNN）加速框架，通过软硬件协同优化提升能效。研究表明，该设计在保持模型准确性的同时，能效提升约7.8x10^4倍，优于传统CMOS技术。此外，提出了一种结合深度神经网络与随机森林的机器学习方法，优化Ising模型中的误差最小化问题。