본 연구는 조합 최적화 문제 (combinatorial optimization problems)를 Ising 모델로 매핑함으로써 이를 해결하기 위한 확률적 아키텍처 (probabilistic architectures)의 합성 및 시뮬레이션을 위한 도구를 제시합니다. 제안된 접근 방식은 문제의 크기와 토폴로지 (topology)와 같은 특성에 따라 Ising 해밀토니안 (Ising Hamiltonian)을 자동으로 구축하고 확률적 요소 (p-bits)의 수를 결정합니다. 또한, 이 도구는 Gibbs Sampling, Simulated Annealing (SA), Simulated Quantum Annealing (SQA), 그리고 클러스터 기반 방식 (cluster-based methods) 중에서 가장 적합한 업데이트 알고리즘을 선택하기 위한 적응형 전략을 도입합니다. 벤치마크 문제를 사용한 실험 결과는 고정된 방식 (fixed approaches)에 비해 향상된 수렴 동작 (convergence behavior)과 유연성을 입증합니다. 제안된 프레임워크는 확률적 컴퓨팅 전략의 체계적인 평가를 가능하게 하며, MTJs 및 p-bits에 기반한 미래의 하드웨어 구현 개발을 지원합니다.