Настройка осцилляторных Изинг‑машин как p‑битовых процессоров

Новый способ использовать шум в вычислениях

Многие мощные компьютеры сталкиваются с трудностями при задачах вроде планирования авиамаршрутов или обучения некоторых нейросетей, потому что сложность этих задач быстро растёт. В этой статье рассматривается новый подход, который превращает крошечные электронные «осцилляторы» — схемы, естественно генерирующие ритмические сигналы — в устройства, умеющие и искать хорошие решения, и целенаправленно исследовать множество вариантов случайным образом. Хитро используя шум, или случайность, как ресурс, а не помеху, авторы показывают, как один тип специализированного аппаратного обеспечения, называемый осцилляторной Изинг‑машиной, можно перенастроить так, чтобы он вел себя как другой — так называемый p‑битовый двигатель.

Встреча двух нетипичных вычислительных подходов

Работа объединяет две зарождающиеся идеи в необычных вычислениях. Осцилляторные Изинг‑машины используют сети синхронизированных осцилляторов для решения трудных задач оптимизации, имитируя то, как взаимодействующие спины в магнитном материале приходят в низкоэнергетические состояния. P‑битовые двигатели идут другим путём: они опираются на специально шумные бинарные элементы, выходы которых случайно переключаются между 0 и 1 с вероятностями, зависящими от входов. Такие сети p‑битов отлично подходят для выборки множества вероятных конфигураций из «энергетического ландшафта» задачи — важного компонента вероятностных выводов и машинного обучения. До сих пор эти два аппаратных концепта развивались во многом параллельно, и мало что было известно о том, как один можно эмулировать другим.

Превращение осциллятора в шумный элемент принятия решений

Сначала авторы фокусируются на одном осцилляторе и показывают, как он может вести себя как двоичный стохастический нейрон — аппаратный эквивалент монеты с настраиваемым смещением. Они прикладывают два типа ритмических возбуждающих сигналов: один на собственной частоте осциллятора (основная гармоника), который задаёт его фазу, и второй на удвоенной частоте (вторая гармоника), который предпочитает, чтобы фаза находилась в одном из двух устойчивых положений. Когда второй сигнал слабый, энергетический барьер между этими положениями низок, и тепловой шум легко переводит осциллятор в любую из сторон. Кратковременно подготовив осциллятор в нейтральной фазе и затем позволяя этим воздействиям конкурировать, финальное состояние становится случайным, но управляемым выбором между двумя исходами, причём шансы определяются силой входа.

Построение вероятностной сети из множества осцилляторов

Далее в статье показано, как вся сеть таких осцилляторов может функционировать как вероятностная нейронная сеть — аппаратная реализация p‑битового двигателя. В обычной осцилляторной Изинг‑машине связь между осцилляторами побуждает их достигать фазовых паттернов, соответствующих хорошим решениям задачи оптимизации. Здесь авторы вводят процедуру выборки: большинство осцилляторов удерживаются жёстко в их текущих состояниях, в то время как один временно освобождается, сбрасывается в нейтральную фазу и допускается к случайному переходу в одно из двух устойчивых состояний под влиянием соседей и шума. Повторяя этот процесс поочерёдно для каждого осциллятора, воспроизводится то же математическое правило, что используется в известных моделях p‑битов, то есть аппарат фактически выполняет Gibbs‑выборку по энергетическому ландшафту задачи.

Проверка идеи на практике

Чтобы испытать подход, исследователи смоделировали два типа задач. Во‑первых, они использовали основанный на осцилляторах стохастический нейрон для реализации небольшой логической схемы — сумматора полного типа, который комбинирует три входных бита в сумму и перенос. При работе в режиме, где все выводы свободны, система естественно посещает разные сочетания вход‑выход с частотами, близкими к ожидаемому распределению Больцмана, что подтверждает корректное вероятностное поведение. Во‑вторых, они решали задачу MaxCut на случайных графах, цель которой — разделить узлы на две группы так, чтобы как можно больше рёбер пересекало разбиение. Используя процедуру выборки, сеть осцилляторов не только находит оптимальные разрезы, но делает это в согласии с фундаментальной статистической физикой: распределение посещённых состояний следует ожидаемой экспоненциальной зависимости вероятности от энергии.

Не ограничиваясь одним типом машины

Авторы дополнительно демонстрируют, что та же схема выборки применима и к другим аналоговым Изинг‑подобным системам, например к динамической Изинг‑машине, использующей несколько иной закон взаимодействия фаз. Поскольку основная математика стохастических обновлений одинакова, разные физические платформы можно настроить так, чтобы они вели себя как p‑битовые двигатели. Эта общность даёт повод полагать, что многие аналоговые динамические системы, а не только конкретная разработка осциллятора, могут быть переиспользованы для вероятностных вычислений за счёт их естественных бифуркаций и переключений, вызванных шумом.

Почему это важно для будущих вычислений

Для неспециалиста ключевая мысль в том, что авторы показывают, как превратить детерминированную машину, сводящую энергию, в управляемого случайного исследователя. Тщательно формируя, как осцилляторы подталкивают и как разрешается действовать шуму, то же аппаратное обеспечение, которое раньше лишь «скатывалось вниз» к ближайшему решению, теперь может бродить по ландшафту в статистически осмысленном виде. Эта двойная способность может быть полезна как для решения трудных задач оптимизации, так и для реализации новых аппаратно‑дружественных форм вероятностного вывода и обучения, потенциально предлагая энергоефективную альтернативу современным цифровым процессорам для специализированных задач.

Цитирование: 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

Ключевые слова: осцилляторные Изинг‑машины, p‑битовые вычисления, вероятностный аппарат, выборка Больцмана, комбинаторная оптимизация