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

Nella ricerca di una soluzione ai problemi più ostinati dell'informatica moderna, gli scienziati si stanno allontanando dai chip al silicio che alimentano i nostri telefoni e computer portatili. Queste macchine tradizionali, pur essendo incredibilmente veloci in molti compiti, faticano con una specifica classe di problemi nota come ottimizzazione combinatoria. Immaginate di cercare di trovare la singola migliore disposizione per mille parti mobili, dove ogni cambiamento influenza tutte le altre parti; il numero di combinazioni possibili è così vasto che un computer standard impiegherebbe più tempo dell'età dell'universo per controllarle tutte. Per affrontare questa sfida, i ricercatori hanno sviluppato un nuovo tipo di macchina chiamata macchina di Ising. Invece di controllare ogni possibilità una alla volta, questi dispositivi utilizzano le leggi della fisica per assestarsi naturalmente nella soluzione migliore. Essi imitano il comportamento di minuscole particelle magnetiche, o spin, che vogliono allinearsi in modo da minimizzare la loro energia totale. Costruendo reti di oscillatori, laser o circuiti elettronici che si comportano come questi spin magnetici, queste macchine possono scivolare lungo un complesso paesaggio energetico per trovare il punto più basso, che corrisponde alla risposta corretta.

Tuttavia, un difetto nascosto ha limitato le prestazioni di questi acceleratori fisici. Sebbene la fisica centrale sia continua e fluida, il modo in cui queste macchine collegano le loro parti si basa spesso su calcoli digitali. Quando una macchina calcola la forza del collegamento tra due spin, deve convertire quel valore preciso e continuo in un numero digitale con un numero limitato di passi, in modo simile all'arrotondamento di una misurazione precisa al numero intero più vicino. Questo processo di arrotondamento, noto come discretizzazione, introduce un errore sottile ma dannoso. Esso distorce il paesaggio energetico stesso che la macchina sta cercando di navigare, creando falsi avvallamenti e dossi che intrappolano il sistema in risposte errate. Per anni, i ricercatori hanno saputo che queste macchine funzionano meglio con componenti digitali più precisi, ma mancavano di una comprensione chiara di come funzionasse esattamente questa distorsione o di come risolverla senza costruire hardware proibitivamente costoso.

Un team di ricercatori dell'Università di Cambridge ha ora mappato questa distorsione e ha scoperto un modo sorprendentemente semplice per neutralizzarla. Analizzando le funzioni di trasferimento matematiche dell'hardware reale, hanno identificato che l'errore causato dall'arrotondamento del feedback digitale consiste in due parti principali: uno spostamento costante che spinge il sistema fuori rotta e una serie di increspature irregolari ad alta frequenza che confondono il movimento della macchina. I ricercatori hanno scoperto che potevano annullare lo spostamento costante semplicemente aggiungendo un piccolo bias fisso al sistema, ricalibrando efficacementamente la scala digitale. Per gestire le increspature irregolari, hanno proposto l'iniezione di un tipo specifico di rumore nella macchina. Invece del rumore casuale, simile alla statica solitamente associato alle interferenze, hanno utilizzato il rumore "colorato", che ha una specifica distribuzione di energia attraverso diverse frequenze. Hanno scoperto che un particolare tipo di rumore ad alta frequenza, noto come rumore viola, agisce come un filtro che leviga le increspature irregolari, permettendo alla macchina di ignorare gli errori digitali e seguire il percorso reale verso la soluzione.

Per testare la loro teoria, il team ha eseguito estese simulazioni al computer di queste macchine mentre risolvevano problemi sempre più difficili. Sono partiti con un benchmark standard noto come scala di Möbius, una specifica struttura di rete facile da verificare ma difficile da risolvere quando le connessioni sono distorte. Nelle loro simulazioni, le macchine non corrette, che soffrivano degli errori di arrotondamento digitale, rimanevano frequentemente bloccate in trappole locali, trovando soluzioni che erano buone ma non le migliori possibili. Quando i ricercatori hanno applicato il loro metodo di correzione — aggiungendo il bias fisso e il rumore viola — il tasso di successo delle macchine è decollato. Per un sistema con cinquanta spin, la probabilità di trovare la soluzione perfetta è passata dal trentacinque percento a oltre il novantanove percento. Questo miglioramento non era solo una questione di affinamento di pochi parametri; era un cambiamento fondamentale nel modo in cui la macchina si muoveva attraverso il suo paesaggio energetico, permettendole di aggirare le barriere artificiali create dall'hardware digitale.

I ricercatori hanno poi spinto il test oltre per vedere se il loro metodo reggeva sotto condizioni più complesse. Hanno esaminato problemi in cui la difficoltà poteva essere regolata, creando scenari in cui la macchina doveva sfuggire a un falso senso di sicurezza per trovare la risposta vera. In queste regioni "difficili" dello spazio dei problemi, le macchine non corrette faticavano significativamente, spesso fallendo nel trovare qualsiasi buona soluzione. Le macchine corrette, tuttavia, mantenevano un alto tasso di successo, raddoppiando efficacementamente le loro prestazioni negli intervalli più impegnativi. Il team ha anche testato queste idee su problemi di tassellatura bidimensionale, che sono notoriamente difficili per le macchine di ottimizzazione. In questi test, le macchine non corrette vedevano i loro tassi di successo crollare di due o tre ordini di grandezza man mano che i problemi diventavano più difficili, scendendo quasi a zero. Al contrario, le macchine corrette mantenevano un tasso di successo circa cento o mille volte superiore, dimostrando che la strategia di mitigazione funziona meglio quando il problema è più difficile.

Una delle implicazioni più pratiche di questo lavoro è che esso cambia i requisiti per l'hardware stesso. Poiché il metodo di correzione rimuove efficacementamente la distorsione, le macchine non devono essere costruite con i componenti digitali più costosi e ad alta precisione per raggiungere le massime prestazioni. Le simulazioni hanno mostrato che una macchina corretta poteva raggiungere il suo picco di prestazioni con un componente digitale che ha solo due bit di precisione, mentre una macchina non corretta necessitava di tre o quattro bit per ottenere lo stesso risultato. Ciò suggerisce che gli ingegneri potrebbero costruire queste potenti macchine di ottimizzazione utilizzando hardware più semplici, economici e a basso consumo energetico, a condizione che includano i protocolli semplici di bias e iniezione di rumore. I ricercatori hanno anche scoperto che le macchine corrette erano meno sensibili alla calibrazione esatta del rumore, rendendole più robuste e facili da operare in contesti reali.

Lo studio conferma che la distorsione causata dal feedback digitale è un problema universale per questo tipo di computing, che colpisce qualsiasi macchina che utilizzi un calcolatore digitale per controllare una rete fisica. Derivando una chiara formula per questa distorsione e dimostrando come sopprimerla, i ricercatori hanno fornito uno strumento di progettazione generale per l'intero campo. Il loro lavoro suggerisce che la strada per costruire macchine di ottimizzazione più potenti non richiede necessariamente una fisica più complessa o componenti più costosi, ma piuttosto un modo più intelligente di gestire le inevitabili imperfezioni del controllo digitale. I risultati indicano che con la giusta combinazione di un piccolo aggiustamento fisso e un tipo specifico di rumore, questi computer fisici possono superare i limiti dei loro cervelli digitali e risolvere problemi che prima erano fuori portata.