Configurare le macchine Ising a oscillatori come motori a P-bit

Un nuovo modo di sfruttare il rumore per il calcolo

Molti computer potenti faticano con compiti come pianificare rotte aeree o addestrare certi tipi di reti neurali perché questi problemi crescono rapidamente in complessità. Questo articolo esplora un approccio nuovo che trasforma piccoli «oscillatori» elettronici — circuiti che producono naturalmente segnali ritmici — in macchine che possono sia cercare buone soluzioni sia esplorare deliberatamente molte possibilità in modo casuale. Usando con astuzia il rumore, o la casualità, come risorsa anziché come fastidio, gli autori mostrano come un tipo di hardware specializzato, chiamato macchina Ising a oscillatori, possa essere riconfigurato per comportarsi come un altro, noto come motore a bit probabilistici (p-bit).

Incontro tra due computer insoliti

Il lavoro mette insieme due idee emergenti nel calcolo non convenzionale. Le macchine Ising a oscillatori usano reti di oscillatori sincronizzati per risolvere problemi di ottimizzazione difficili imitando il modo in cui spin interagenti in un materiale magnetico si stabilizzano in configurazioni a bassa energia. I motori a bit probabilistici, o p-bit, seguono una strada diversa: si basano su elementi binari volutamente rumorosi i cui output fluttuano casualmente tra 0 e 1, ma con probabilità che dipendono dagli input. Queste reti di p-bit eccellono nel campionare molte configurazioni probabili dal «paesaggio energetico» di un problema, un ingrediente chiave per l'inferenza probabilistica e il machine learning. Finora, questi due concetti hardware si sono sviluppati in parallelo, con poca comprensione di come l’uno possa emulare l’altro.

Trasformare un oscillatore in un decisore rumoroso

Gli autori esaminano innanzitutto un singolo oscillatore e mostrano come possa comportarsi come un neurone stocastico binario — l'equivalente hardware di una moneta il cui bias può essere regolato. Applicano due tipi di segnali di guida ritmici: uno alla frequenza naturale dell'oscillatore (l'armonica fondamentale) che ne fissa la fase, e un secondo a due volte quella frequenza (la seconda armonica) che preferisce che la fase si collochi in una di due posizioni stabili. Quando il secondo segnale è debole, la barriera energetica tra queste due posizioni è bassa, quindi il rumore termico può facilmente spingere l'oscillatore da una parte o dall'altra. Preparando brevemente l'oscillatore in una fase neutra e lasciando poi che queste forze competano, il suo stato finale diventa una scelta casuale ma controllabile tra due esiti, con le probabilità governate dall'intensità del suo input.

Costruire una rete probabilistica con molti oscillatori

Successivamente, l'articolo mostra come un'intera rete di tali oscillatori possa funzionare come una rete neurale probabilistica — una realizzazione hardware di un motore a p-bit. In una macchina Ising a oscillatori convenzionale, il coupling tra oscillatori li incoraggia a stabilizzarsi in schemi di fase che corrispondono a buone soluzioni di un problema di ottimizzazione. Qui, gli autori introducono una routine di campionamento: la maggior parte degli oscillatori viene mantenuta saldamente nei propri stati correnti, mentre uno viene temporaneamente rilasciato, resettato a una fase neutra e lasciato cadere casualmente in una delle sue due fasi stabili sotto l'influenza dei vicini e del rumore. Ripetendo questo processo, oscillatore dopo oscillatore, si ricostruisce la stessa regola matematica utilizzata nei modelli p-bit consolidati, il che significa che l'hardware esegue effettivamente il campionamento di Gibbs sul paesaggio energetico del problema.

Mettere l'idea alla prova

Per testare il loro approccio, i ricercatori simulano due tipi di compiti. Primo, utilizzano il loro neurone stocastico basato su oscillatori per implementare un piccolo circuito logico chiamato sommatore completo (full adder), che combina tre bit di input in una somma e un riporto. Quando eseguito in una modalità in cui tutti i terminali sono lasciati liberi, il sistema visita naturalmente le diverse combinazioni input–output con frequenze che corrispondono da vicino alla distribuzione di Boltzmann attesa, confermando un comportamento probabilistico corretto. Secondo, affrontano il problema MaxCut su grafi casuali, in cui l'obiettivo è dividere i nodi in due gruppi in modo che quante più connessioni possibile attraversino tra di essi. Utilizzando la routine di campionamento, la rete di oscillatori non solo trova tagli ottimali ma lo fa in un modo che riflette la fisica statistica sottostante, e la distribuzione degli stati visitati segue la relazione esponenziale attesa tra probabilità ed energia.

Oltre un solo tipo di macchina

Gli autori dimostrano inoltre che la stessa ricetta di campionamento può essere applicata ad altri sistemi analogici di tipo Ising, come una macchina Ising dinamica che usa una regola di interazione tra fasi leggermente diversa. Poiché la matematica di base che governa gli aggiornamenti stocastici è la stessa, queste diverse piattaforme fisiche possono tutte essere tarate per comportarsi come motori a p-bit. Questa generalità suggerisce che molti sistemi dinamici analogici, non solo il design specifico di oscillatore studiato qui, potrebbero essere ripurposati per il calcolo probabilistico sfruttando le loro biforcazioni naturali e gli switch guidati dal rumore.

Perché questo conta per il calcolo futuro

Per un non specialista, il punto principale è che gli autori mostrano come rendere una macchina deterministica, che minimizza l'energia, anche un esploratore casuale controllato. Modellando con cura come gli oscillatori vengono spinti e come il rumore è permesso di agire, lo stesso hardware che prima «scendeva in discesa» verso una soluzione vicina può ora vagare per il paesaggio in modo statisticamente significativo. Questa doppia capacità potrebbe essere preziosa sia per risolvere problemi di ottimizzazione difficili sia per alimentare nuove forme di ragionamento probabilistico e apprendimento adatte all'hardware, offrendo potenzialmente alternative a basso consumo rispetto ai processori digitali odierni per compiti specializzati.

Citazione: 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

Parole chiave: macchine Ising a oscillatori, calcolo a p-bit, hardware probabilistico, campionamento di Boltzmann, ottimizzazione combinatoria