Configurer des machines d’Ising à oscillateurs en moteurs P-bit

Une nouvelle façon d’exploiter le bruit pour le calcul

De nombreux ordinateurs puissants peinent sur des tâches comme planifier des itinéraires aériens ou entraîner certains réseaux neuronaux parce que ces problèmes voient leur complexité exploser. Cet article explore une approche originale qui transforme de petits « oscillateurs » électroniques — des circuits qui produisent naturellement des signaux rythmiques — en machines capables à la fois de chercher de bonnes solutions et d’explorer délibérément de nombreuses possibilités au hasard. En utilisant astucieusement le bruit, ou l’aléa, comme ressource plutôt que comme nuisance, les auteurs montrent comment un type de matériel spécialisé, appelé machine d’Ising à oscillateurs, peut être reconfiguré pour se comporter comme un autre, connu sous le nom de moteur à bits probabilistes.

Rencontre de deux ordinateurs peu conventionnels

Ce travail réunit deux idées émergentes en calcul non conventionnel. Les machines d’Ising à oscillateurs utilisent des réseaux d’oscillateurs synchronisés pour résoudre des problèmes d’optimisation difficiles en imitant la manière dont des spins interagissants dans un matériau magnétique se stabilisent en configurations à basse énergie. Les moteurs à bits probabilistes, ou p-bits, suivent une voie différente : ils s’appuient sur des éléments binaires volontairement bruités dont les sorties basculent aléatoirement entre 0 et 1, avec des probabilités dépendant de leurs entrées. Ces réseaux de p-bits excellent à échantillonner de nombreuses configurations plausibles dans le « paysage d’énergie » d’un problème, un ingrédient clé pour l’inférence probabiliste et l’apprentissage machine. Jusqu’ici, ces deux concepts matériels ont largement évolué en parallèle, avec peu de compréhension sur la façon dont l’un pourrait émuler l’autre.

Transformer un oscillateur en décideur bruyant

Les auteurs se concentrent d’abord sur un seul oscillateur et montrent comment il peut se comporter comme un neurone stochastique binaire — l’équivalent matériel d’une pièce dont l’asymétrie peut être réglée. Ils appliquent deux types de signaux de stimulation rythmiques : l’un à la fréquence propre de l’oscillateur (l’harmonique fondamentale) qui fixe sa phase, et un second à deux fois cette fréquence (le second harmonique) qui préfère que la phase se situe sur l’une des deux positions stables. Lorsque le second signal est faible, la barrière d’énergie entre ces deux positions est basse, de sorte que le bruit thermique peut facilement pousser l’oscillateur d’un côté ou de l’autre. En préparant brièvement l’oscillateur dans une phase neutre puis en laissant ces forces concourir, son état final devient un choix aléatoire mais contrôlable entre deux issues, les probabilités étant gouvernées par la force de son entrée.

Construire un réseau probabiliste à partir de nombreux oscillateurs

Le document montre ensuite comment tout un réseau de tels oscillateurs peut fonctionner comme un réseau neuronal probabiliste — une réalisation matérielle d’un moteur p-bit. Dans une machine d’Ising à oscillateurs conventionnelle, le couplage entre oscillateurs les incite à se stabiliser en motifs de phase correspondant à de bonnes solutions d’un problème d’optimisation. Ici, les auteurs introduisent une routine d’échantillonnage : la plupart des oscillateurs sont fermement maintenus dans leurs états actuels, tandis qu’un seul est temporairement libéré, remis à une phase neutre, puis laissé tomber aléatoirement dans l’une de ses deux phases stables sous l’influence de ses voisins et du bruit. En répétant ce processus, oscillateur par oscillateur, on reproduit la même règle mathématique utilisée dans les modèles p-bit établis, ce qui signifie que le matériel exécute effectivement un échantillonnage de Gibbs sur le paysage d’énergie du problème.

Mettre l’idée à l’épreuve

Pour tester leur approche, les chercheurs simulent deux types de tâches. D’abord, ils utilisent leur neurone stochastique basé sur oscillateur pour implémenter un petit circuit logique appelé additionneur complet, qui combine trois bits d’entrée en une somme et une retenue. Lorsqu’il est exécuté dans un mode où tous les terminaux sont laissés libres, le système visite naturellement les différentes combinaisons entrée–sortie avec des fréquences qui correspondent de près à la distribution de Boltzmann attendue, confirmant un comportement probabiliste correct. Ensuite, ils s’attaquent au problème MaxCut sur des graphes aléatoires, où l’objectif est de diviser les nœuds en deux groupes de sorte que le maximum de connexions traversent entre eux. En utilisant la routine d’échantillonnage, le réseau d’oscillateurs non seulement trouve des coupures optimales mais le fait aussi d’une façon qui reflète la physique statistique sous-jacente, et la distribution des états visités suit la relation exponentielle attendue entre probabilité et énergie.

Au-delà d’un seul type de machine

Les auteurs démontrent en outre que la même recette d’échantillonnage peut être appliquée à d’autres systèmes analogiques de type Ising, comme une machine d’Ising dynamique qui utilise une règle d’interaction entre phases légèrement différente. Parce que les mathématiques fondamentales régissant les mises à jour stochastiques sont identiques, ces différentes plates‑formes physiques peuvent toutes être réglées pour se comporter comme des moteurs p-bit. Cette généralité suggère que de nombreux systèmes dynamiques analogiques, pas seulement le design d’oscillateur étudié ici, pourraient être repurposés pour le calcul probabiliste en exploitant leurs bifurcations naturelles et leurs basculements induits par le bruit.

Pourquoi cela compte pour l’informatique du futur

Pour un non‑spécialiste, l’idée clé est que les auteurs montrent comment faire d’une machine déterministe, qui minimise l’énergie, un explorateur aléatoire contrôlé. En façonnant soigneusement la manière dont les oscillateurs sont poussés et dont le bruit est autorisé à agir, le même matériel qui auparavant « descendait la pente » vers une solution voisine peut maintenant parcourir le paysage de manière statistiquement significative. Cette double capacité pourrait être précieuse tant pour résoudre des problèmes d’optimisation difficiles que pour alimenter de nouvelles formes de raisonnement et d’apprentissage probabilistes adaptées au matériel, offrant potentiellement des alternatives écoénergétiques aux processeurs numériques actuels pour des tâches spécialisées.

Citation: 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

Mots-clés: machines d’Ising à oscillateurs, calcul p-bit, matériel probabiliste, échantillonnage de Boltzmann, optimisation combinatoire