Dynamic distortion from discretized coupling feedback in soft-spin Ising machines

En la búsqueda de resolver los acertijos más persistentes de la informática moderna, los científicos están alejándose de los chips de silicio que impulsan nuestros teléfonos y computadoras portátiles. Estas máquinas tradicionales, aunque increíblemente rápidas en muchas tareas, tienen dificultades con una clase específica de problemas conocidos como optimización combinatoria. Imagine intentar encontrar la mejor disposición única para mil piezas móviles, donde cada cambio afecta a todas las demás partes; el número de combinaciones posibles es tan vasto que una computadora estándar tardaría más que la edad del universo en comprobarlas todas. Para abordar esto, los investigadores han desarrollado un nuevo tipo de máquina llamada máquina de Ising. En lugar de comprobar cada posibilidad una por una, estos dispositivos utilizan las leyes de la física para asentarse naturalmente en la mejor solución. Imitan el comportamiento de diminutas partículas magnéticas, o espines, que quieren alinearse de una manera que minimice su energía total. Al construir redes de osciladores, láseres o circuitos electrónicos que se comporten como estos espines magnéticos, estas máquinas pueden deslizarse por un complejo paisaje de energía para encontrar el punto más bajo, que corresponde a la respuesta correcta.

Sin embargo, un fallo oculto ha estado limitando el rendimiento de estos aceleradores físicos. Aunque la física central es continua y suave, la forma en que estas máquinas conectan sus partes a menudo depende de cálculos digitales. Cuando una máquina calcula la fuerza de la conexión entre dos espines, debe convertir ese valor preciso y continuo en un número digital con un número limitado de pasos, de forma muy parecida a redondear una medida precisa al número entero más cercano. Este proceso de redondeo, conocido como discretización, introduce un error sutil pero perjudicial. Distorsiona el mismísimo paisaje de energía que la máquina intenta navegar, creando valles y protuberancias falsos que atrapan al sistema en respuestas incorrectas. Durante años, los investigadores supieron que estas máquinas funcionaban mejor con componentes digitales más precisos, pero carecían de una comprensión clara de cómo funcionaba exactamente esta distorsión o cómo solucionarla sin construir un hardware prohibitivamente caro.

Un equipo de investigadores de la Universidad de Cambridge ha mapeado ahora esta distorsión y ha descubierto una forma sorprendentemente simple de neutralizarla. Al analizar las funciones de transferencia matemática del hardware del mundo real, identificaron que el error causado por el redondeo digital de la retroalimentación consta de dos partes principales: un desplazamiento constante que desvía el sistema de su curso, y una serie de ondulaciones dentadas de alta frecuencia que confunden el movimiento de la máquina. Los investigadores descubrieron que podían cancelar el desplazamiento constante simplemente añadiendo un pequeño sesgo fijo al sistema, recentrando efectivamente la escala digital. Para lidiar con las ondulaciones dentadas, propusieron inyectar un tipo específico de ruido en la máquina. En lugar del ruido aleatorio, similar a la estática, que suele asociarse con la interferencia, utilizaron ruido "de color", que tiene un patrón específico de distribución de energía a través de diferentes frecuencias. Descubrieron que un tipo particular de ruido de alta frecuencia, conocido como ruido violeta, actúa como un filtro que suaviza las ondulaciones dentadas, permitiendo que la máquina ignore los errores digitales y siga el verdadero camino hacia la solución.

Para probar su teoría, el equipo realizó extensas simulaciones por computadora de estas máquinas resolviendo problemas cada vez más difíciles. Comenzaron con un estándar de referencia conocido como escalera de Möbius, un tipo específico de estructura de red que es fácil de verificar pero difícil de resolver cuando las conexiones están distorsionadas. En sus simulaciones, las máquinas no corregidas, que sufrían de los errores de redondeo digital, se quedaban frecuentemente atrapadas en trampas locales, encontrando soluciones que eran buenas pero no las mejores posibles. Cuando los investigadores aplicaron su método de corrección —añadiendo el sesgo fijo y el ruido violeta— la tasa de éxito de las máquinas se disparó. Para un sistema con cincuenta espines, la probabilidad de encontrar la solución perfecta saltó del treinta y cinco por ciento a más del noventa y nueve por ciento. Esta mejora no fue simplemente una cuestión de ajustar algunos parámetros; fue un cambio fundamental en la forma en que la máquina se movía a través de su paisaje de energía, permitiéndole sortear las barreras artificiales creadas por el hardware digital.

Los investigadores luego llevaron la prueba más allá para ver si su método se mantenía bajo condiciones más complejas. Examinaron problemas donde la dificultad podía ajustarse, creando escenarios donde la máquina tenía que escapar de una falsa sensación de seguridad para encontrar la respuesta verdadera. En estas regiones "difíciles" del espacio del problema, las máquinas no corregidas tuvieron serias dificultades, fallando a menudo en encontrar cualquier solución buena. Las máquinas corregidas, sin embargo, mantuvieron una alta tasa de éxito, duplicando efectivamente su rendimiento en los intervalos más desafiantes. El equipo también probó estas ideas en problemas de teselado bidimensional, que son notoriamente difíciles para las máquinas de optimización. En estas pruebas, las máquinas no corregidas vieron cómo sus tasas de éxito colapsaban en dos o tres órdenes de magnitud a medida que los problemas se volvían más difíciles, cayendo a casi cero. En contraste, las máquinas corregidas mantuvieron una tasa de éxito que era aproximadamente de cien a mil veces mayor, demostrando que la estrategia de mitigación funciona mejor cuando el problema es más difícil.

Una de las implicaciones más prácticas de este trabajo es que cambia los requisitos para el propio hardware. Debido a que el método de corrección elimina efectivamente la distorsión, las máquinas no necesitan ser construidas con los componentes digitales de mayor precisión y costo para alcanzar el máximo rendimiento. Las simulaciones mostraron que una máquina corregida podía alcanzar su rendimiento máximo con un componente digital que tiene solo dos bits de precisión, mientras que una máquina no corregida necesitaba tres o cuatro bits para lograr el mismo resultado. Esto sugiere que los ingenieros podrían construir estas potentes máquinas de optimización utilizando hardware más simple, más barato y más eficiente energéticamente, siempre que incluyan los protocolos simples de sesgo e inyección de ruido. Los investigadores también descubrieron que las máquinas corregidas eran menos sensibles al ajuste exacto del ruido, lo que las hace más robustas y fáciles de operar en entornos del mundo real.

El estudio confirma que la distorsión causada por la retroalimentación digital es un problema universal para este tipo de computación, que afecta a cualquier máquina que utilice una calculadora digital para controlar una red física. Al derivar una fórmula clara para esta distorsión y demostrar cómo suprimirla, los investigadores han proporcionado una herramienta de diseño general para todo el campo. Su trabajo sugiere que el camino para construir máquinas de optimización más potentes no requiere necesariamente de una física más compleja o componentes más caros, sino de una forma más inteligente de manejar las imperfecciones inevitables del control digital. Los hallazgos indican que, con la combinación adecuada de un pequeño ajuste fijo y un tipo específico de ruido, estas computadoras físicas pueden superar las limitaciones de sus cerebros digitales y resolver problemas que antes estaban fuera de su alcance.