Konfiguration von Oszillator-Ising-Maschinen als P-Bit-Motoren

Eine neue Möglichkeit, Rauschen für das Rechnen zu nutzen

Viele leistungsfähige Computer tun sich schwer mit Aufgaben wie der Planung von Flugrouten oder dem Training bestimmter neuronaler Netze, weil diese Probleme exponentiell an Komplexität gewinnen. Dieses Papier untersucht einen neuen Ansatz, der winzige elektronische "Oszillatoren"—Schaltungen, die von Natur aus rhythmische Signale erzeugen—in Maschinen verwandelt, die sowohl nach guten Lösungen suchen als auch bewusst viele Möglichkeiten zufällig erkunden können. Indem Rauschen oder Zufälligkeit geschickt als Ressource statt als Störfaktor genutzt wird, zeigen die Autoren, wie eine spezielle Hardwareklasse, genannt Oszillator-Ising-Maschine, so umkonfiguriert werden kann, dass sie sich wie eine andere verhält, bekannt als probabilistischer Bit-Motor (p-bit engine).

Wenn zwei ungewöhnliche Rechner aufeinandertreffen

Die Arbeit führt zwei aufstrebende Ideen im Bereich unkonventionellen Rechnens zusammen. Oszillator-Ising-Maschinen nutzen Netzwerke synchronisierter Oszillatoren, um schwierige Optimierungsprobleme zu lösen, indem sie nachahmen, wie wechselwirkende Spins in einem magnetischen Material in energiearme Muster übergehen. Probabilistische Bits, oder p-Bits, verfolgen einen anderen Weg: Sie basieren auf absichtlich verrauschten binären Elementen, deren Ausgänge zufällig zwischen 0 und 1 wechseln, wobei die Wahrscheinlichkeiten von ihren Eingängen abhängen. Diese p-Bit-Netzwerke eignen sich hervorragend, um viele wahrscheinliche Konfigurationen aus der "Energielandschaft" eines Problems zu sampeln — ein zentraler Baustein für probabilistische Inferenz und maschinelles Lernen. Bislang haben sich diese beiden Hardwarekonzepte weitgehend parallel entwickelt, mit wenig Verständnis darüber, wie das eine das andere nachahmen könnte.

Den Oszillator zu einem rauschenden Entscheidungsgeber machen

Die Autoren zoomen zunächst auf einen einzelnen Oszillator und zeigen, wie er sich wie ein binärer stochastischer Neuron verhalten kann — die Hardware-Entsprechung einer Münze, deren Verzerrung eingestellt werden kann. Sie wenden zwei Arten von rhythmischen Anregungssignalen an: eines bei der natürlichen Frequenz des Oszillators (die Grundharmonische), das seine Phase festlegt, und ein zweites bei der doppelten Frequenz (die zweite Harmonische), das die Phase bevorzugt, in einer von zwei stabilen Positionen zu liegen. Wenn das zweite Signal schwach gemacht wird, ist die Energiebarriere zwischen diesen beiden Positionen niedrig, sodass thermisches Rauschen den Oszillator leicht auf die eine oder andere Seite treiben kann. Indem der Oszillator kurz in einer neutralen Phase vorbereitet und dann diesen Kräften ausgesetzt wird, wird sein Endzustand zu einer zufälligen, aber steuerbaren Wahl zwischen zwei Ergebnissen, wobei die Wahrscheinlichkeit durch die Stärke seines Eingangs bestimmt wird.

Aufbau eines probabilistischen Netzwerks aus vielen Oszillatoren

Als Nächstes zeigen die Autoren, wie ein ganzes Netzwerk solcher Oszillatoren wie ein probabilistisches neuronales Netzwerk wirken kann — eine hardwarebasierte Umsetzung eines p-Bit-Motors. In einer konventionellen Oszillator-Ising-Maschine fördert die Kopplung zwischen Oszillatoren, dass sie sich in Phasenmustern einpendeln, die guten Lösungen eines Optimierungsproblems entsprechen. Hier führen die Autoren ein Sampling-Verfahren ein: Die meisten Oszillatoren werden fest in ihren aktuellen Zuständen gehalten, während einer vorübergehend freigegeben, auf eine neutrale Phase zurückgesetzt und erlaubt wird, sich unter dem Einfluss seiner Nachbarn und des Rauschens zufällig in eine der beiden stabilen Phasen fallen zu lassen. Wiederholt man diesen Prozess Oszillator für Oszillator, reproduziert dies die gleiche mathematische Regel, die in etablierten p-Bit-Modellen verwendet wird, was bedeutet, dass die Hardware effektiv Gibbs-Sampling über die Energielandschaft des Problems durchführt.

Das Konzept auf die Probe stellen

Um ihren Ansatz zu testen, simulieren die Forscher zwei Arten von Aufgaben. Zuerst nutzen sie ihr oszillatorbasiertes stochastisches Neuron, um eine kleine logische Schaltung namens Volladdierer zu realisieren, die drei Eingabebits zu einer Summe und einem Übertrag kombiniert. Wenn das System in einem Modus betrieben wird, in dem alle Anschlüsse frei bleiben, besucht es natürlicherweise die verschiedenen Eingabe–Ausgabe-Kombinationen mit Häufigkeiten, die eng mit der erwarteten Boltzmann-Verteilung übereinstimmen, was korrektes probabilistisches Verhalten bestätigt. Als Zweites behandeln sie das MaxCut-Problem auf zufälligen Graphen, bei dem das Ziel ist, Knoten in zwei Gruppen zu teilen, sodass möglichst viele Verbindungen zwischen den Gruppen verlaufen. Durch den Einsatz des Sampling-Verfahrens findet das Oszillatorenetzwerk nicht nur optimale Schnitte, sondern tut dies auch in einer Weise, die die zugrundeliegende statistische Physik widerspiegelt; die Verteilung der besuchten Zustände folgt der erwarteten exponentiellen Beziehung zwischen Wahrscheinlichkeit und Energie.

Mehr als eine Maschinenart

Die Autoren zeigen ferner, dass dasselbe Sampling-Rezept auf andere analoge Ising-ähnliche Systeme angewendet werden kann, etwa auf eine dynamische Ising-Maschine, die eine leicht andere Wechselwirkungsregel zwischen Phasen nutzt. Da die zugrundeliegende Mathematik der stochastischen Updates dieselbe ist, können diese verschiedenen physikalischen Plattformen alle so abgestimmt werden, dass sie als p-Bit-Motoren fungieren. Diese Allgemeingültigkeit deutet darauf hin, dass viele analoge dynamische Systeme — nicht nur das hier untersuchte spezifische Oszillatordesign — für probabilistisches Rechnen umfunktioniert werden könnten, indem man ihre natürlichen Bifurkationen und rauschgetriebenen Umschaltungen ausnutzt.

Warum das für das künftige Rechnen wichtig ist

Für Nicht-Fachleute lautet die zentrale Erkenntnis, dass die Autoren zeigen, wie man eine deterministische, energie-minimierende Maschine zugleich zu einem kontrollierten zufälligen Erkunder macht. Durch sorgfältige Gestaltung, wie Oszillatoren angetrieben und wie Rauschen zugelassen wird, kann dieselbe Hardware, die früher nur "bergab" zu einer nahegelegenen Lösung fiel, nun die Landschaft auf statistisch sinnvolle Weise durchwandern. Diese doppelte Fähigkeit könnte sowohl für das Lösen harter Optimierungsprobleme als auch für neue hardwarefreundliche Formen probabilistischer Schlussfolgerung und des Lernens wertvoll sein und möglicherweise energieeffiziente Alternativen zu heutigen digitalen Prozessoren für spezielle Aufgaben bieten.

Zitation: Ekanayake, E.M.H., Khan, N. & Shukla, N. Configuring oscillator Ising machines as P-bit engines. Commun Phys 9, 128 (2026). https://doi.org/10.1038/s42005-026-02492-z

Schlüsselwörter: Oszillator-Ising-Maschinen, P-Bit-Rechnen, probabilistische Hardware, Boltzmann-Sampling, kombinatorische Optimierung