Configurar máquinas Ising basadas en osciladores como motores de P-bit

Una nueva forma de aprovechar el ruido para computar

Muchos ordenadores potentes tienen dificultades con tareas como programar rutas aéreas o entrenar ciertos tipos de redes neuronales porque estos problemas crecen en complejidad de forma explosiva. Este artículo explora un enfoque novedoso que convierte pequeños "osciladores" electrónicos —circuitos que generan señales rítmicas de forma natural— en máquinas capaces tanto de buscar buenas soluciones como de explorar deliberadamente muchas posibilidades al azar. Al utilizar el ruido, o la aleatoriedad, como un recurso en lugar de una molestia, los autores muestran cómo un tipo de hardware especializado, denominado máquina Ising de osciladores, puede reconfigurarse para comportarse como otro conocido como motor de bits probabilísticos (p-bit).

Encuentro de dos ordenadores inusuales

El trabajo reúne dos ideas emergentes en la computación no convencional. Las máquinas Ising de osciladores emplean redes de osciladores sincronizados para resolver problemas de optimización difíciles imitando cómo espines interactuantes en un material magnético se establecen en patrones de baja energía. Los motores basados en bits probabilísticos, o p-bits, siguen una vía diferente: se apoyan en elementos binarios deliberadamente ruidosos cuyos resultados cambian aleatoriamente entre 0 y 1, pero con probabilidades que dependen de sus entradas. Estas redes de p-bits sobresalen en muestrear muchas configuraciones probables del "paisaje de energía" de un problema, un ingrediente clave para la inferencia probabilística y el aprendizaje automático. Hasta ahora, estos dos conceptos de hardware han evolucionado en gran medida en paralelo, con poca comprensión de cómo uno podría emular al otro.

Convertir un oscilador en un tomador de decisiones ruidoso

Los autores se centran primero en un solo oscilador y muestran cómo puede comportarse como una neurona estocástica binaria —el equivalente hardware de una moneda cuyo sesgo puede ajustarse. Aplican dos tipos de señales de excitación rítmica: una a la frecuencia natural del oscilador (la armónica fundamental) que establece su fase, y una segunda al doble de esa frecuencia (la segunda armónica) que prefiere que la fase se sitúe en una de dos posiciones estables. Cuando la segunda señal es débil, la barrera de energía entre esas dos posiciones es baja, por lo que el ruido térmico puede empujar fácilmente al oscilador hacia cualquiera de los dos lados. Preparando brevemente el oscilador en una fase neutra y dejando luego competir estas fuerzas, su estado final se convierte en una elección aleatoria pero controlable entre dos resultados, con las probabilidades gobernadas por la intensidad de su entrada.

Construir una red probabilística a partir de muchos osciladores

A continuación, el artículo muestra cómo una red completa de tales osciladores puede actuar como una red neuronal probabilística —una realización hardware de un motor p-bit. En una máquina Ising de osciladores convencional, el acoplamiento entre osciladores les anima a estabilizarse en patrones de fase que corresponden a buenas soluciones de un problema de optimización. Aquí, los autores introducen una rutina de muestreo: la mayoría de los osciladores se mantienen firmemente en sus estados actuales, mientras que uno se libera temporalmente, se reinicia a una fase neutra y se le permite caer aleatoriamente en una de sus dos fases estables bajo la influencia de sus vecinos y del ruido. Repetir este proceso, oscilador por oscilador, reproduce la misma regla matemática utilizada en modelos p-bit establecidos, lo que significa que el hardware realiza efectivamente muestreo de Gibbs sobre el paisaje de energía del problema.

Poner la idea a prueba

Para comprobar su enfoque, los investigadores simulan dos tipos de tareas. Primero, utilizan su neurona estocástica basada en osciladores para implementar un pequeño circuito lógico llamado sumador completo, que combina tres bits de entrada en una suma y un acarreo. Cuando se ejecuta en un modo en el que todos los terminales están libres, el sistema visita de forma natural las diferentes combinaciones entrada–salida con frecuencias que coinciden estrechamente con la distribución de Boltzmann esperada, confirmando un comportamiento probabilístico correcto. En segundo lugar, abordan el problema MaxCut en grafos aleatorios, cuyo objetivo es dividir los nodos en dos grupos de modo que el mayor número posible de conexiones cruce entre ellos. Mediante la rutina de muestreo, la red de osciladores no solo encuentra cortes óptimos, sino que lo hace de una manera que refleja la física estadística subyacente, y la distribución de estados visitados sigue la relación exponencial esperada entre probabilidad y energía.

Más allá de un solo tipo de máquina

Los autores demuestran además que la misma receta de muestreo puede aplicarse a otros sistemas analógicos tipo Ising, como una máquina Ising dinámica que emplea una regla de interacción entre fases ligeramente diferente. Debido a que las matemáticas centrales que rigen las actualizaciones estocásticas son las mismas, estas distintas plataformas físicas pueden ajustarse para comportarse como motores p-bit. Esta generalidad sugiere que muchos sistemas dinámicos analógicos, no solo el diseño específico de oscilador estudiado aquí, podrían reconvertirse para la computación probabilística aprovechando sus bifurcaciones naturales y los cambios impulsados por el ruido.

Por qué esto importa para la computación del futuro

Para un público no especialista, la conclusión clave es que los autores muestran cómo hacer que una máquina determinista, que minimiza energía, también actúe como un explorador aleatorio controlado. Al moldear cuidadosamente cómo se empuja a los osciladores y cómo se permite actuar al ruido, el mismo hardware que antes solo "caía ladera abajo" hacia una solución cercana puede ahora vagar por el paisaje de forma estadísticamente significativa. Esta doble capacidad podría ser valiosa tanto para resolver problemas de optimización difíciles como para impulsar nuevas formas de razonamiento y aprendizaje probabilísticos compatibles con hardware, ofreciendo potencialmente alternativas energéticamente eficientes a los procesadores digitales actuales para tareas especializadas.

Cita: 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

Palabras clave: máquinas Ising de osciladores, computación p-bit, hardware probabilístico, muestreo de Boltzmann, optimización combinatoria