Configurando máquinas de Ising por osciladores como motores de P-bit

Uma nova forma de aproveitar o ruído para computação

Muitos computadores poderosos têm dificuldade com tarefas como escalonar rotas aéreas ou treinar certos tipos de redes neurais porque esses problemas crescem explosivamente em complexidade. Este artigo explora uma abordagem inédita que transforma pequenos “osciladores” eletrônicos — circuitos que naturalmente produzem sinais rítmicos — em máquinas capazes tanto de buscar boas soluções quanto de explorar deliberadamente muitas possibilidades ao acaso. Ao usar o ruído, ou aleatoriedade, como um recurso em vez de um incômodo, os autores mostram como um tipo de hardware de uso especial, chamado máquina de Ising por osciladores, pode ser reconfigurado para se comportar como outro, conhecido como motor de bits probabilísticos (p-bit).

Dois computadores incomuns se encontram

O trabalho reúne duas ideias emergentes em computação não convencional. Máquinas de Ising por osciladores usam redes de osciladores sincronizados para resolver problemas difíceis de otimização, imitando como spins interagentes em um material magnético se acomodam em padrões de baixa energia. Motores de bits probabilísticos, ou p-bits, seguem outro caminho: eles dependem de elementos binários deliberadamente ruidosos cujas saídas mudam aleatoriamente entre 0 e 1, mas com probabilidades que dependem de suas entradas. Essas redes de p-bits se destacam em amostrar muitas configurações prováveis do “paisagem de energia” de um problema, um ingrediente-chave para inferência probabilística e aprendizado de máquina. Até agora, esses dois conceitos de hardware evoluíram em grande parte em paralelo, com pouca compreensão de como um poderia emular o outro.

Transformando um oscilador em um tomador de decisões ruidoso

Os autores primeiro focalizam um único oscilador e mostram como ele pode se comportar como um neurônio estocástico binário — o equivalente de hardware de uma moeda cujo viés pode ser ajustado. Eles aplicam dois tipos de sinais de excitação rítmica: um na frequência natural do oscilador (o harmônico fundamental) que define sua fase, e um segundo na frequência duas vezes maior (o segundo harmônico) que prefere que a fase fique em uma de duas posições estáveis. Quando o segundo sinal é fraco, a barreira de energia entre essas duas posições é baixa, de modo que o ruído térmico pode facilmente empurrar o oscilador para um lado ou outro. Preparando brevemente o oscilador em uma fase neutra e então deixando essas forças competirem, seu estado final torna-se uma escolha aleatória mas controlável entre dois resultados, com as probabilidades regidas pela força de sua entrada.

Construindo uma rede probabilística a partir de muitos osciladores

Em seguida, o artigo mostra como uma rede inteira desses osciladores pode atuar como uma rede neural probabilística — uma realização em hardware de um motor p-bit. Em uma máquina de Ising por osciladores convencional, o acoplamento entre osciladores os incentiva a se acomodar em padrões de fase que correspondem a boas soluções de um problema de otimização. Aqui, os autores introduzem uma rotina de amostragem: a maioria dos osciladores é mantida firmemente em seus estados atuais, enquanto um é temporariamente liberado, reiniciado para uma fase neutra e permitido cair aleatoriamente em uma de suas duas fases estáveis sob a influência de seus vizinhos e do ruído. Repetir esse processo, oscilador por oscilador, reproduz a mesma regra matemática usada em modelos p-bit estabelecidos, o que significa que o hardware efetivamente executa amostragem de Gibbs sobre a paisagem de energia do problema.

Testando a ideia

Para testar sua abordagem, os pesquisadores simulam dois tipos de tarefas. Primeiro, eles usam seu neurônio estocástico baseado em oscilador para implementar um pequeno circuito lógico chamado somador completo, que combina três bits de entrada em uma soma e um transporte. Quando operado em um modo em que todos os terminais ficam livres, o sistema naturalmente visita as diferentes combinações de entrada–saída com frequências que correspondem de perto à distribuição de Boltzmann esperada, confirmando comportamento probabilístico correto. Em segundo lugar, eles enfrentam o problema MaxCut em grafos aleatórios, onde o objetivo é dividir os nós em dois grupos de modo que o maior número possível de conexões cruze entre eles. Usando a rotina de amostragem, a rede de osciladores não apenas encontra cortes ótimos, como o faz de maneira que reflete a física estatística subjacente, e a distribuição dos estados visitados segue a relação exponencial esperada entre probabilidade e energia.

Além de um tipo de máquina

Os autores demonstram ainda que a mesma receita de amostragem pode ser aplicada a outros sistemas analógicos do tipo Ising, como uma máquina de Ising dinâmica que usa uma regra de interação entre fases ligeiramente diferente. Como a matemática central que governa as atualizações estocásticas é a mesma, essas diferentes plataformas físicas podem ser ajustadas para se comportar como motores p-bit. Essa generalidade sugere que muitos sistemas dinâmicos analógicos, não apenas o projeto específico de oscilador estudado aqui, poderiam ser reaproveitados para computação probabilística explorando suas bifurcações naturais e trocações de estados induzidas por ruído.

Por que isso importa para o futuro da computação

Para um não especialista, a conclusão principal é que os autores mostram como fazer uma máquina determinística, que minimiza energia, também funcionar como um explorador aleatório controlado. Ao moldar cuidadosamente como os osciladores são impulsionados e como o ruído é permitido agir, o mesmo hardware que antes apenas “descia a colina” até uma solução próxima pode agora perambular pela paisagem de forma estatisticamente significativa. Essa capacidade dupla pode ser valiosa tanto para resolver problemas difíceis de otimização quanto para alimentar novas formas de raciocínio e aprendizado probabilísticos compatíveis com hardware, possivelmente oferecendo alternativas energeticamente eficientes aos processadores digitais atuais para tarefas especializadas.

Citação: 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

Palavras-chave: máquinas de Ising por osciladores, computação p-bit, hardware probabilístico, amostragem de Boltzmann, otimização combinatória