将振荡器伊辛机配置为P位引擎

利用噪声进行计算的新途径

许多强大的计算机在处理如航线调度或训练某些神经网络之类的问题时会面临指数级增长的复杂性。本文探讨了一种新方法，将微小的电子“振荡器”——自然产生节律信号的电路——转变为既能寻找优良解又能有意随机探索多种可能性的机器。作者通过巧妙地把噪声或随机性视为资源而非干扰，展示了一类特殊用途硬件（振荡器伊辛机）如何被重新配置为另一类硬件，即概率比特（p-bit）引擎。

两种非传统计算思想的交汇

这项工作将两种新兴的非常规计算理念结合起来。振荡器伊辛机利用同步振荡器网络，通过模拟磁性材料中相互作用的自旋如何落入低能态模式，来解决艰难的优化问题。概率比特（p-bit）引擎则走另一条路：它们依赖刻意引入噪声的二值单元，其输出在0和1之间随机翻转，但翻转概率取决于输入。这类p位网络在从问题的“能量景观”中采样许多可能配置方面表现出色，这对于概率推断和机器学习至关重要。到目前为止，这两种硬件概念大多是并行发展的，彼此之间如何互相模拟尚缺乏深入理解。

把振荡器变成带噪声的决策器

作者首先聚焦于单个振荡器，展示它如何表现得像一个二值随机神经元——在硬件上相当于一枚偏置可调的硬币。他们施加两种节律驱动信号：一种在振荡器的自然频率（基频），用于设定其相位；另一种在该频率的两倍（第二谐波），使相位偏向两个稳定位置之一。当第二个信号较弱时，这两个位置之间的能垒较低，因此热噪声可以轻易地将振荡器推向任一侧。通过短暂将振荡器准备在中性相位，然后让这些力相互竞争，其最终状态成为在两种结果之间的随机但可控选择，其概率由输入强度决定。

由多个振荡器构建概率网络

接着，论文展示了如何让整张这样的振荡器网络表现得像一个概率神经网络——即p位引擎的硬件实现。在传统的振荡器伊辛机中，振荡器之间的耦合促使它们稳定为对应于优化问题良好解的相位模式。在此，作者引入了一种采样程序：大多数振荡器被牢牢保持在其当前状态，而单个振荡器被暂时释放、重置为中性相位，并在邻居和噪声的影响下随机落入两种稳定相位之一。重复对每个振荡器进行这一过程，会重现已知p位模型中使用的相同数学规则，这意味着硬件实际上在对问题的能量景观执行吉布斯采样。

将想法付诸测试

为了验证他们的方法，研究者模拟了两类任务。首先，他们使用基于振荡器的随机神经元实现了一个小型逻辑电路——全加器，它将三个输入位合成为和位与进位位。在所有端口均开放的模式下运行时，系统自然访问不同的输入—输出组合，其频率与预期的玻尔兹曼分布高度匹配，证实了正确的概率行为。其次，他们解决了随机图上的MaxCut问题，即将节点划分为两组，使跨组连接数尽可能多。通过使用该采样程序，振荡器网络不仅能找到最优割，而且以反映底层统计物理的方式工作，访问状态的分布遵循概率与能量之间预期的指数关系。

超越一种机器类型

作者进一步证明，相同的采样方案也可应用于其他类比伊辛系统，例如使用略有不同相位相互作用规则的动态伊辛机。由于控制随机更新的核心数学相同，这些不同的物理平台均可调谐为表现为p位引擎。这种普适性表明，许多模拟动力系统并不限于本文研究的特定振荡器设计，都可以通过利用其固有的分岔与噪声驱动的开关来被改造用于概率计算。

这对未来计算意味着什么

对非专业读者而言，关键结论是作者展示了如何让一个确定性、寻求能量最小化的机器同时成为受控的随机探索者。通过精心设计对振荡器的推动方式以及噪声的作用方式，曾经仅仅“向下滑落”到附近解的同一硬件现在可以以统计上有意义的方式在景观中游走。这种双重能力对于解决困难的优化问题以及为新型硬件友好的概率推理和学习提供动力可能具有重要价值，并有望为某些专用任务提供比现有数字处理器更节能的替代方案。

引用: 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

关键词: 振荡器 伊辛机, p位 计算, 概率硬件, 玻尔兹曼采样, 组合优化