Konfigurera oscillator-Isingmaskiner som P-bit-motorer

Ett nytt sätt att utnyttja brus för beräkning

Många kraftfulla datorer har svårt med uppgifter som att schemalägga flygrutter eller träna vissa neurala nätverk eftersom dessa problem exploderar i komplexitet. Denna artikel utforskar ett nytt angreppssätt som förvandlar små elektroniska ”oscillatorer” — kretsar som naturligt producerar rytmiska signaler — till maskiner som både kan söka efter bra lösningar och avsiktligt utforska många möjligheter slumpmässigt. Genom att skickligt använda brus, eller slumpmässighet, som en resurs snarare än ett besvär visar författarna hur en sorts specialiserad hårdvara, kallad en oscillator-Isingmaskin, kan omkonfigureras för att bete sig som en annan typ, känd som en probabilistisk bit-motor (p-bit engine).

Två ovanliga datorer möts

Arbetet förenar två framväxande idéer inom okonventionell databehandling. Oscillator-Isingmaskiner använder nätverk av synkroniserade oscillatorer för att lösa svåra optimeringsproblem genom att efterlikna hur samverkande spinn i ett magnetiskt material lägger sig i lågenergimönster. Probabilistiska bitar, eller p-bit-motorer, går en annan väg: de förlitar sig på avsiktligt bullriga binära element vars utsignaler slumpmässigt växlar mellan 0 och 1, men med sannolikheter som beror på deras insignaler. Dessa p-bit-nätverk är skickliga på att sampla många sannolika konfigurationer från ett problems ”energifygder”, ett nyckelelement för probabilistisk inferens och maskininlärning. Hittills har dessa två hårdvarukoncept i stor utsträckning utvecklats parallellt, med liten förståelse för hur det ena skulle kunna efterlikna det andra.

Göra en oscillator till en bullrig beslutsfattare

Författarna zoomar först in på en enda oscillator och visar hur den kan bete sig som en binär stokastisk neuron — hårdvaruekvivalenten till ett mynt vars skevhet kan justeras. De tillämpar två typer av rytmiska drivsignaler: en vid oscillatorns egenfrekvens (grundharmoniken) som bestämmer dess fas, och en andra vid dubbla den frekvensen (andra harmoniken) som föredrar att fasen sitter i en av två stabila lägen. När den andra signalen görs svag blir energibarriären mellan de två lägena låg, så termiskt brus kan lätt trycka oscillatorn åt båda håll. Genom att kort förbereda oscillatorn i en neutral fas och sedan låta dessa krafter konkurrera blir dess slutliga tillstånd ett slumpmässigt men kontrollerbart val mellan två utfall, där odds bestäms av styrkan hos dess ingång.

Bygga ett probabilistiskt nätverk av många oscillatorer

Nästa visar artikeln hur ett helt nätverk av sådana oscillatorer kan fungera som ett probabilistiskt neuralt nätverk — en hårdvarurealisering av en p-bit-motor. I en konventionell oscillator-Isingmaskin uppmuntrar kopplingar mellan oscillatorerna dem att lägga sig i fasmönster som motsvarar bra lösningar av ett optimeringsproblem. Här introducerar författarna en provtagningsrutin: de flesta oscillatorer hålls stadigt i sina nuvarande tillstånd, medan en temporärt frigörs, återställs till en neutral fas och får slumpmässigt falla in i ett av sina två stabila faser under påverkan av sina grannar och brus. Genom att upprepa denna process, oscillator för oscillator, återger man samma matematiska regel som används i etablerade p-bit-modeller, vilket innebär att hårdvaran i praktiken utför Gibbs-provtagning över problemets energifygder.

Sätta idén på prov

För att testa sitt angreppssätt simulerar forskarna två typer av uppgifter. För det första använder de sin oscillatorbaserade stokastiska neuron för att implementera en liten logikkrets kallad en fulladder, som kombinerar tre ingångsbitar till en summa och en överföring. När den körs i ett läge där alla terminaler är fria besöker systemet naturligt de olika in-/utkombinationerna med frekvenser som väl överensstämmer med den förväntade Boltzmann-fördelningen, vilket bekräftar korrekt probabilistiskt beteende. För det andra tar de sig an MaxCut-problemet på slumpmässiga grafer, där målet är att dela noder i två grupper så att så många kopplingar som möjligt går mellan grupperna. Genom att använda provtagningsrutinen hittar oscillatornätverket inte bara optimala snitt utan gör det på ett sätt som speglar den underliggande statistiska fysiken, och fördelningen av besökta tillstånd följer det förväntade exponentiella sambandet mellan sannolikhet och energi.

Bortom en maskintyp

Författarna visar vidare att samma provtagningsrecept kan tillämpas på andra analoga Ising-liknande system, såsom en dynamisk Isingmaskin som använder en något annorlunda interaktionsregel mellan faserna. Eftersom den grundläggande matematiken som styr de stokastiska uppdateringarna är densamma kan dessa olika fysiska plattformar alla ställas in att fungera som p-bit-motorer. Denna generell antyder att många analoga dynamiska system, inte bara den specifika oscillatorutformningen som studerats här, skulle kunna omändras för probabilistisk beräkning genom att utnyttja sina naturliga bifurkationer och brusdrivna växlingar.

Varför detta är viktigt för framtidens beräkning

För en icke-specialist är huvudpoängen att författarna visar hur man får en deterministisk, energi-minimerande maskin att även fungera som en kontrollerad slumpmässig utforskare. Genom att omsorgsfullt forma hur oscillatorer puffas och hur brus tillåts verka kan samma hårdvara som tidigare enbart "rullade nedförsbacke" till en närliggande lösning nu vandra över landskapet på ett statistiskt meningsfullt sätt. Denna dubbla förmåga kan vara värdefull både för att lösa svåra optimeringsproblem och för att driva nya hårdvaruvänliga former av probabilistisk resonerande och lärande, vilket potentiellt erbjuder energieffektiva alternativ till dagens digitala processorer för specialiserade uppgifter.

Citering: 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

Nyckelord: oscillator Ising-maskiner, p-bit-databehandling, probabilistisk hårdvara, Boltzmann-provtagning, kombinatorisk optimering