Oscillator-Ising-machines configureren als P-bit-motoren

Een nieuwe manier om ruis te benutten voor rekenen

Veel krachtige computers hebben moeite met taken zoals het plannen van vluchtroutes of het trainen van bepaalde neurale netwerken, omdat deze problemen snel in complexiteit exploderen. Dit artikel onderzoekt een frisse benadering die kleine elektronische "oscillatoren"—circuits die van nature ritmische signalen produceren—omvormt tot machines die zowel naar goede oplossingen kunnen zoeken als doelbewust veel mogelijkheden willekeurig kunnen verkennen. Door ruis, oftewel willekeurigheid, als een hulpbron in plaats van een hinderpaal te gebruiken, laten de auteurs zien hoe één soort speciaal hardware, een oscillator-Ising-machine, kan worden geherconfigureerd om te functioneren als een zogeheten probabilistic-bit motor.

Twee ongewone computers ontmoeten elkaar

Het werk brengt twee opkomende ideeën in onconventioneel rekenen samen. Oscillator-Ising-machines gebruiken netwerken van gesynchroniseerde oscillatoren om moeilijke optimalisatieproblemen op te lossen door na te bootsen hoe onderling beïnvloedende spins in een magnetisch materiaal in laag-energietoestanden komen. Probabilistische bits, of p-bits, volgen een andere weg: ze vertrouwen op opzettelijk noisy binair elementen waarvan de uitgangen willekeurig tussen 0 en 1 schakelen, maar met kansen die afhangen van hun ingangen. Deze p-bit-netwerken blinken uit in het sampelen van veel waarschijnlijke configuraties uit het "energielandschap" van een probleem—een cruciaal ingrediënt voor probabilistische inferentie en machine learning. Tot nu toe hebben deze twee hardwareconcepten zich grotendeels parallel ontwikkeld, met weinig begrip van hoe de ene de andere zou kunnen nabootsen.

Een oscillator omvormen tot een ruisgevoelige besluitvormer

De auteurs zoomen eerst in op een enkele oscillator en tonen aan hoe deze zich kan gedragen als een binair stochastisch neuron—de hardware-equivalent van een munt waarvan de bias afstelbaar is. Ze passen twee typen ritmische aandrijvingssignalen toe: één op de natuurlijke frequentie van de oscillator (de fundamentele harmonische) die zijn fase bepaalt, en een tweede op tweemaal die frequentie (de tweede harmonische) die de fase dwingt één van twee stabiele posities aan te nemen. Wanneer het tweede signaal zwak is, is de energiedrempel tussen die twee posities laag, zodat thermische ruis de oscillator gemakkelijk naar beide zijden kan duwen. Door de oscillator kort op een neutrale fase voor te bereiden en vervolgens deze krachten te laten concurreren, wordt de eindtoestand een willekeurige maar controleerbare keuze tussen twee uitkomsten, waarbij de kansen worden bepaald door de sterkte van de invoer.

Een probabilistisch netwerk bouwen uit vele oscillatoren

Vervolgens laat het artikel zien hoe een heel netwerk van zulke oscillatoren kan fungeren als een probabilistisch neuraal netwerk—een hardwarerealisatie van een p-bit-motor. In een conventionele oscillator-Ising-machine moedigt koppeling tussen oscillatoren hen aan in fasepatronen te komen die overeenkomen met goede oplossingen van een optimalisatieprobleem. Hier introduceren de auteurs een samplingroutine: de meeste oscillatoren worden stevig in hun huidige toestand gehouden, terwijl één tijdelijk wordt vrijgegeven, teruggezet naar een neutrale fase en de kans krijgt om onder invloed van zijn buren en ruis in één van zijn twee stabiele fasen te vallen. Door dit proces herhaaldelijk te doorlopen, oscillator na oscillator, reproduceren ze dezelfde wiskundige regel die in gevestigde p-bit-modellen wordt gebruikt, wat betekent dat de hardware effectief Gibbs-sampling uitvoert over het energielandschap van het probleem.

De idee op de proef stellen

Om hun benadering te testen, simuleren de onderzoekers twee soorten taken. Ten eerste gebruiken ze hun oscillator-gebaseerde stochastische neuron om een klein logische schakeling te implementeren, een full adder, die drie ingangsbits combineert tot een som en een carry-bit. Wanneer deze in een modus draait waarin alle aansluitingen vrij zijn, bezoekt het systeem van nature de verschillende in-/uit-combinaties met frequenties die nauw overeenkomen met de verwachte Boltzmann-verdeling, wat het correcte probabilistische gedrag bevestigt. Ten tweede pakken ze het MaxCut-probleem aan op willekeurige grafen, waarbij het doel is knopen in twee groepen te verdelen zodat zoveel mogelijk verbindingen tussen de groepen lopen. Door de samplingroutine te gebruiken, vindt het oscillatornetwerk niet alleen optimale sneedposities, maar doet dat op een manier die de onderliggende statistische fysica weerspiegelt, en de verdeling van bezochte toestanden volgt de verwachte exponentiële relatie tussen waarschijnlijkheid en energie.

Voorbij één type machine

De auteurs tonen verder aan dat hetzelfde samplingrecept kan worden toegepast op andere analoge Ising-achtige systemen, zoals een dynamische Ising-machine die een iets andere interactieregel tussen fasen gebruikt. Omdat de kernwiskunde die de stochastische updates beheerst hetzelfde is, kunnen deze verschillende fysieke platforms allemaal worden afgestemd om als p-bit-motoren te functioneren. Deze generaliteit suggereert dat veel analoge dynamische systemen, niet alleen het specifieke oscillatorontwerp dat hier is bestudeerd, kunnen worden hergebruikt voor probabilistisch rekenen door hun natuurlijke bifurcaties en ruisgestuurde overschakelingen te benutten.

Waarom dit belangrijk is voor toekomstig rekenen

Voor een niet-specialist is de belangrijkste conclusie dat de auteurs laten zien hoe een deterministische, energie-minimaliserende machine ook kan fungeren als een gecontroleerde willekeurige verkenner. Door zorgvuldig te bepalen hoe oscillatoren worden aangestoten en hoe ruis mag werken, kan dezelfde hardware die vroeger alleen "beneden de helling" naar een nabije oplossing rolde, nu op een statistisch zinvolle manier door het landschap dwalen. Deze dubbele capaciteit kan waardevol zijn voor zowel het oplossen van moeilijke optimalisatieproblemen als het aandrijven van nieuwe, hardware-vriendelijke vormen van probabilistisch redeneren en leren, en biedt mogelijk energiezuinige alternatieven voor de digitale processors van vandaag bij gespecialiseerde taken.

Bronvermelding: 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

Trefwoorden: oscillator Ising-machines, p-bit computing, probabilistische hardware, Boltzmann-sampling, combinatorische optimalisatie