Konfigurowanie maszyn Isinga opartych na oscylatorach jako silników P-bit

Nowy sposób wykorzystania szumu do obliczeń

Wiele potężnych komputerów ma trudności z zadaniami takimi jak planowanie tras lotów czy trenowanie pewnych sieci neuronowych, ponieważ złożoność tych problemów rośnie wykładniczo. Artykuł bada nowe podejście, które zamienia drobne elektroniczne „oscylatory” — układy wytwarzające rytmiczne sygnały — w maszyny zdolne zarówno do wyszukiwania dobrych rozwiązań, jak i do celowego losowego eksplorowania wielu możliwości. Poprzez sprytne wykorzystanie szumu, czyli losowości, jako zasobu zamiast uciążliwości, autorzy wykazują, jak jeden rodzaj wyspecjalizowanego sprzętu, zwany maszyną Isinga opartą na oscylatorach, można przekonfigurować, by zachowywał się jak inny — znany jako silnik probabilistycznych bitów (p-bit).

Dwa nietypowe komputery spotykają się

Praca łączy dwie pojawiające się koncepcje w niekonwencjonalnych obliczeniach. Maszyny Isinga oparte na oscylatorach używają sieci synchronizujących się oscylatorów do rozwiązywania trudnych problemów optymalizacyjnych, naśladując sposób, w jaki oddziałujące spiny w materiale magnetycznym osiągają wzorce o niskiej energii. Silniki probabilistycznych bitów, czyli p-bity, podążają inną drogą: bazują na celowo zaszumionych elementach binarnych, których wyjścia losowo przełączają się między 0 a 1, przy czym prawdopodobieństwa tych przełączeń zależą od ich wejść. Sieci p-bitów świetnie nadają się do próbkowania wielu prawdopodobnych konfiguracji krajobrazu energetycznego problemu — kluczowego elementu wnioskowania probabilistycznego i uczenia maszynowego. Do tej pory te dwa koncepcje sprzętowe rozwijały się w dużej mierze równolegle, bez głębszego zrozumienia, jak jedna mogłaby naśladować drugą.

Przekształcenie oscylatora w hałaśliwego decydenta

Autorzy najpierw skupiają się na pojedynczym oscylatorze i pokazują, jak może on zachowywać się jak binarny neuron stochastyczny — sprzętowy odpowiednik monety, której uprzedzenie można regulować. Stosują dwa rodzaje rytmicznych sygnałów wzbudzających: jeden na naturalnej częstotliwości oscylatora (harmonika podstawowa), który ustawia jego fazę, oraz drugi o dwukrotnej tej częstotliwości (druga harmoniczna), który preferuje, by faza znajdowała się w jednej z dwóch stabilnych pozycji. Gdy drugi sygnał jest słaby, bariera energetyczna między tymi pozycjami jest niska, więc szum termiczny łatwo może przesunąć oscylator w którąkolwiek stronę. Poprzez krótkie przygotowanie oscylatora w neutralnej fazie, a następnie pozwolenie tym siłom na rywalizację, jego stan końcowy staje się losowym, ale kontrolowalnym wyborem między dwoma wynikami, przy czym szanse rządzone są przez siłę sygnału wejściowego.

Budowanie sieci probabilistycznej z wielu oscylatorów

Następnie artykuł pokazuje, jak cała sieć takich oscylatorów może działać jak probabilistyczna sieć neuronowa — sprzętowa realizacja silnika p-bit. W konwencjonalnej maszynie Isinga opartej na oscylatorach sprzężenia między oscylatorami skłaniają je do osiągania wzorców fazowych odpowiadających dobrym rozwiązaniom problemu optymalizacyjnego. Tutaj autorzy wprowadzają procedurę próbkowania: większość oscylatorów utrzymuje się mocno w swoich obecnych stanach, podczas gdy jeden jest tymczasowo zwalniany, resetowany do neutralnej fazy i pozwalany losowo opaść do jednej ze swoich dwóch stabilnych faz pod wpływem sąsiadów i szumu. Powtarzając ten proces, oscylator po oscylatorze, odtwarzają tę samą regułę matematyczną stosowaną w ustalonych modelach p-bit, co oznacza, że sprzęt efektywnie wykonuje próbkowanie Gibbsa po krajobrazie energetycznym problemu.

Sprawdzenie pomysłu w praktyce

Aby przetestować swoje podejście, badacze symulują dwa rodzaje zadań. Po pierwsze, używają swojego oscylatorowego stochastycznego neuronu do zaimplementowania małego układu logicznego zwanego pełnym sumatorem, który łączy trzy bity wejściowe w sumę i przeniesienie. Gdy pracuje w trybie, w którym wszystkie terminale pozostają wolne, system naturalnie odwiedza różne kombinacje wejść i wyjść z częstościami ściśle odpowiadającymi oczekiwanej dystrybucji Boltzmanna, potwierdzając poprawne zachowanie probabilistyczne. Po drugie, zajmują się problemem MaxCut na losowych grafach, gdzie celem jest podział węzłów na dwie grupy tak, aby jak najwięcej połączeń przebiegało między nimi. Dzięki zastosowaniu procedury próbkowania sieć oscylatorów nie tylko znajduje optymalne rozcięcia, ale robi to w sposób odzwierciedlający podstawową fizykę statystyczną, a rozkład odwiedzanych stanów podąża za oczekiwaną wykładniczą zależnością między prawdopodobieństwem a energią.

Powyżej jednego typu maszyny

Autorzy dodatkowo wykazują, że ta sama recepta próbkowania może być zastosowana do innych analogowych systemów typu Isinga, takich jak dynamiczna maszyna Isinga wykorzystująca nieco inną regułę oddziaływań między fazami. Ponieważ podstawowa matematyka rządząca stochastycznymi aktualizacjami jest taka sama, różne platformy fizyczne można wszystkie dostroić, by zachowywały się jak silniki p-bit. Ta ogólność sugeruje, że wiele analogowych układów dynamicznych, nie tylko konkretna konstrukcja oscylatora badana tutaj, mogłoby zostać przeznaczonych do obliczeń probabilistycznych poprzez wykorzystanie ich naturalnych bifurkacji i przełączeń napędzanych szumem.

Dlaczego to ma znaczenie dla przyszłych obliczeń

Dla czytelnika niebędącego specjalistą kluczowy wniosek jest taki, że autorzy pokazują, jak uczynić maszynę deterministyczną, minimalizującą energię, jednocześnie kontrolowanym losowym odkrywcą. Poprzez staranne kształtowanie sposobu, w jaki oscylatory są popychane i jak szum może działać, ten sam sprzęt, który wcześniej tylko „spadał w dół” do pobliskiego rozwiązania, może teraz wędrować po krajobrazie w statystycznie znaczący sposób. Ta podwójna zdolność może być przydatna zarówno do rozwiązywania trudnych problemów optymalizacyjnych, jak i do zasilania nowych, przyjaznych sprzętowi form rozumowania probabilistycznego i uczenia, potencjalnie oferując energooszczędne alternatywy dla dzisiejszych procesorów cyfrowych w zadaniach specjalistycznych.

Cytowanie: 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

Słowa kluczowe: maszyny Isinga oparte na oscylatorach, obliczenia p-bitowe, sprzęt probabilistyczny, próbkowanie Boltzmanna, optymalizacja kombinatoryczna