⚛️ quantum physics

Highly Versatile FPGA-Implemented Cyber Coherent Ising Machine

Dit artikel presenteert een zeer veelzijdige, op FPGA geïmplementeerde cyber coherente Ising machine die FP32 continue waarden en flexibele sequentiecontrole gebruikt om diverse algoritmen te ondersteunen (waaronder CIM, SB en Jacobi SOR), waarbij N=4096 spins op een enkele chip wordt bereikt met berekeningssnelheden die meer dan tien keer sneller zijn dan GPU's om voorheen onhaalbare toepassingen zoals CDMA multi-user detectie en L0 compressed sensing mogelijk te maken.

Oorspronkelijke auteurs: Toru Aonishi, Tatsuya Nagasawa, Toshiyuki Koizumi, Mastiyage Don Sudeera Hasaranga Gunathilaka, Kazushi Mimura, Masato Okada, Satoshi Kako, Yoshihisa Yamamoto

Gepubliceerd 2026-07-27

📖 9 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Toru Aonishi, Tatsuya Nagasawa, Toshiyuki Koizumi, Mastiyage Don Sudeera Hasaranga Gunathilaka, Kazushi Mimura, Masato Okada, Satoshi Kako, Yoshihisa Yamamoto

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de wereld van computing voor als een enorme, bruisende stad waar elk gebouw een kleine beslissing vertegenwoordigt. Soms moet de stad een gigantische puzzel oplossen: het vinden van de perfecte opstelling van verkeerslichten om files te voorkomen, het organiseren van een ziekenhuisplanning zodat niemand hoeft te wachten, of zelfs het uitzoeken van de beste manier om een koffer in te pakken. Dit zijn "combinatorische optimalisatie"-problemen, waarbij je de beste combinatie van keuzes moet selecteren uit een duizelingwekkend aantal mogelijkheden. Hoe meer keuzes je hebt, hoe moeilijker de puzzel wordt, vaak zo complex dat zelfs de snelste supercomputers ter wereld vastlopen en jaren nodig hebben om een goed antwoord te vinden.

Om deze onmogelijke puzzels aan te pakken, bouwen wetenschappers speciale "Ising-machines". Zie deze niet als normale computers, maar als magische, natuurkundige motoren. In plaats van alleen maar één voor één getallen te verwerken, laten ze duizenden kleine schakelaars ("spins") met elkaar dansen en interageren, zoals een menigte mensen die probeert de meest comfortabele manier te vinden om in een theater te gaan zitten. Door te kijken naar hoe deze spins tot rust komen, vindt de machine de beste oplossing voor de puzzel. Onlangs hebben onderzoekers geprobeerd deze machines te bouwen met behulp van licht en kwantumfysica, maar dat is alsocht het bouwen van een wolkenkrabber van glas: het is fragiel, duur en moeilijk om alle onderdelen aan elkaar te koppelen. Daarom besloten sommige slimme ingenieurs een "cyber"-versie te maken—een digitale simulatie van deze magische machine die draait op een speciaal type computerchip genaamd een FPGA. Dit stelt hen in staat om de fysica van de puzzel te testen zonder een laboratorium vol lasers en spiegels nodig te hebben.

De paper die je nu gaat lezen, beschrijft een grote upgrade aan deze digitale "cyber"-machine. Het team, onder leiding van onderzoekers van de Universiteit van Tokio en anderen, heeft een zeer veelzijdige versie gebouwd die veel complexere puzzels kan afhandelen dan voorheen. Eerdere digitale pogingen waren als een rekenmachine die alleen "ja" of "nee" (binair) of "misschien" (ternair) begrijpt. Deze nieuwe machine spreekt echter de volledige taal van getallen en gebruikt nauwkeurige decimale waarden (floating-point getallen) om te beschrijven hoe de puzzelstukjes met elkaar interageren. Dit is een grote zaak, omdat veel echte problemen, zoals het decoderen van signalen in een drukke radiokamer of het reconstrueren van een wazig MRI-beeld, dat niveau van precisie vereisen. Als je die problemen in een simpel "ja/nee"-doosje probeert te dwingen, wordt het antwoord rommelig en foutief.

De onderzoekers hebben hun nieuwe machine getest op twee zeer moeilijke taken: optreden als een supersnelle detective voor een druk radiokanaal (CDMA multi-user detector) en als een superintelligente beeldrestaurateur voor medische scans (compressed sensing). Ze ontdekten dat hun nieuwe "cyber"-machine deze problemen meer dan tien keer sneller kan oplossen dan een standaard high-end grafische kaart (GPU) die in moderne computers wordt gebruikt. Hoewel de machine iets harder moest werken om de precieze decimale getallen te verwerken, wonnen de snelheid en flexibiliteit het. Het is alsof je een upgrade krijgt van een fiets die alleen op geasfalteerde wegen kan rijden naar een robuuste terreinwagen die net zo snel kan gaan, maar ook modder, zand en steile heuvels kan aanpaken waar de fiets niet bij kon.

Het Verhaal van de Cyber Ising Machine

Het Probleem: De "Glazen" Stad
Stel je voor dat je een groot feest probeert te organiseren waarbij iedereen naast zijn vrienden moet zitten, maar zijn vijanden moet vermijden. Als je 10 mensen hebt, is het makkelijk. Als je er 1.000 hebt, is het een nachtmerrie. In de wereld van de natuurkunde wordt dit gemodelleerd door iets dat de "Ising-model" wordt genoemd, waarbij kleine magneten (spins) met hun buren willen uitlijnen of juist tegenover hen willen staan. Het vinden van de perfecte zitplatting is hetzelfde als het vinden van de "grondtoestand" (de laagste energietoestand) van dit systeem.

Lange tijd probeerden wetenschappers echte machines te bouwen met behulp van licht (lasers) of supergeleidende circuits om deze problemen op te lossen. Dit worden "Coherent Ising Machines" (CIM's) genoemd. Ze zijn cool omdat ze de wetten van de natuurkunde gebruiken om de wiskunde direct op te lossen. Maar het bouwen ervan is als het bouwen van een stad uit glas: het is moeilijk om duizenden verbindingen te bedraden zonder dat alles kapot gaat. Vanwege deze reden begonnen onderzoekers "cyber"-versies te creëren—softwarematige simulaties die de fysica van de lichtmachines nabootst, maar draaien op gewone computerchips.

De Oude Manier: Het "One-Size-Fits-All" (Maar Gebroken) Gereedschap
Vóór deze paper waren er al enkele digitale Ising-machines die draaiden op FPGA's (Field-Programmable Gate Arrays). Zie een FPGA als een Lego-bord dat je kunt herprogrammeren om elke soort machine te worden. Echter, de oude versies hadden enkele serieuze beperkingen:

Ze waren te simpel: Ze konden alleen "binair" (0 of 1) of "ternair" (0, 1 of -1) gebruiken voor de verbindingen tussen de spins. Het is alsof je een meesterwerk probeert te schilderen met alleen een zwarte marker en een witte gum. Je kunt de subtiele grijstinten die nodig zijn voor echte problemen niet vastleggen.
Ze konden geen "Zeeman-termen" aan: In de natuurkunde is een "Zeeman-term" als een externe wind die op de spins blaast en ze in een specifieke richting duwt. Veel echte problemen (zoals het vinden van een signaal in een ruisige radio) hebben deze "wind" nodig om te werken. De oude machines konden deze wind niet goed aan.
Ze waren rigide: Als je het algoritme (de regels van het spel) wilde veranderen, moest je vaak de hele machine opnieuw bouwen.

De Nieuwe Oplossing: Het Zwitserse Zakmes
Het team in deze paper heeft een nieuwe FPGA-architectuur gebouwd die al deze problemen oplost. Ze noemen het een "Cyber Coherent Ising Machine". Dit is wat het bijzonder maakt:

Het spreekt "Echte" Getallen: In plaats van alleen 0'en en 1'en, gebruikt deze machine "single-precision floating-point" (FP32) getallen. Dit is als een upgrade van een zwart-wit tv naar een 4K-kleuren-tv. Het kan de precieze, complexe decimale waarden aan die nodig zijn voor echte engineering-problemen.
Het Gaat Om met de "Wind": Het kan nu de Zeeman-termen goed beheren, waardoor het problemen kan oplossen zoals de CDMA multi-user detector (uitzoeken wie er praat in een drukke kamer) en L0-norm regularisatie-gebaseerde compressed sensing (het reconstrueren van een helder beeld uit slechts enkele wazige stukjes, zoals een MRI-scan).
Het is een Kameleon: De machine is gebouwd met een "control module" die werkt als een afstandsbediening. Door simpelweg de code op deze afstandsbediening te herschrijven, kan de machine wisselen tussen verschillende modi:
- Open-loop CIM: De originele, eenvoudigere versie.
- Closed-loop CIM: Een nieuwere, complexere versie die "chaotische amplitude controle" gebruikt (een chique manier om te zeggen dat het de boel opschudt om uit slechte oplossingen te ontsnappen).
- Jacobi SOR: Een methode voor het oplossen van stelsels vergelijkingen.
- Simulated Bifurcation (SB): Een ander populair algoritme dat het zou kunnen draaien als de code wordt aangepast.

De Race: Cyber Machine vs. De GPU
Om te zien of hun nieuwe machine daadwerkelijk goed was, heeft het team de machine afgezet tegen een standaard high-end grafische kaart (een NVIDIA Quadro RTX 8000), het soort chip dat wordt gebruikt voor gaming en AI. Ze testten het op twee grote uitdages:

De Radio-Detective (CDMA): Ze probeerden te achterhalen welke van de 4.096 gebruikers een bericht verstuurde via een ruisig kanaal.
- Resultaat: De FPGA-machine was 11 tot 30 keer sneller dan de GPU.
- Nauwkeurigheid: Het vond de antwoorden net zo goed als de GPU, en in sommige gevallen (met gebruik van de "closed-loop" modus) was het zelfs beter in het vinden van de perfecte oplossing, omdat het chaotische schudden hielp om uit doodlopende wegen te ontsnappen.
De Beeldrestaurateur (L0RBCS): Ze probeerden een 64x64 pixel MRI-beeld te reconstrueren met slechts 40% van de data.
- Resultaat: De FPGA-machine was 12 tot 37 keer sneller dan de GPU.
- Nauwkeurigheid: De beelden die het produceerde waren net zo helder, en ook hier produceerde de "closed-loop" versie iets betere beelden door dichter bij de theoretisch perfecte oplossing te komen.

De Trade-off: Snelheid vs. Precisie
Je vraagt je misschien af: "Als het zo snel is, waarom heeft dan niet iedereen dit eerder gedaan?" De paper legt uit dat er een trade-off was. De vorige FPGA-machines (zoals de Simulated Bifurcation-machines) waren ongelooflijk snel omdat ze eenvoudige binaire getallen gebruikten en vier keer zoveel "werkers" (parallelle verwerkingseenheden) tegelijkertijd lieten draaien. De nieuwe machine gebruikt precieze decimale getallen, wat meer logische bronnen vereist, waardoor het minder werkers heeft (slechts 2.048 "MAC PE's" vergeleken met 8.192 in de oude binaire machines).

Omdat het minder werkers heeft, heeft de nieuwe machine ongeveer vier keer zoveel klokcycli nodig om één stap van de berekening te voltooien vergeleken met de oude binaire machines. Echter, omdat de nieuwe machine problemen kan oplossen die de binaire machines niet eens kunnen oplossen (vanwege de noodzaak voor precieze getallen en Zeeman-termen), is het een enorme sprong voorwaarts. Het is alsof je een langzamere auto hebt die van het terrein af kan rijden, versus een snelle sportwagen die alleen op de snelweg kan rijden. Voor de problemen die off-road rijden vereisen, is de langzamere auto de enige die je er brengt.

Wat dit Betekent
De paper concludeert dat deze nieuwe architectuur een "zeer veelzijdige" tool is. Het bewijst dat je niet de fragiele, dure fysieke laser machine nodig hebt om de voordelen van Ising-fysica te krijgen. Je kunt een digitale versie bouren die:

Veelzijdig is: Kan on-the-fly wisselen tussen verschillende algoritmen.
Precies is: Kan omgaan met echte decimale getallen en externe krachten (Zeeman-termen).
Snel is: De GPU met een factor 10 of meer verslaat.

De auteurs suggereren dat als ze een cluster van deze machines kunnen bouwen (door veel FPGA's aan elkaar te koppelen), ze het nog sneller kunnen maken, en potentieel zelfs grotere puzzels kunnen oplossen. Voor nu hebben ze aangetoond dat een digitale "cyber"-machine de rommelige, complexe wiskunde van de echte wereld veel beter kan aanpakken dan hun simpelere, binaire neven, terwijl hij toch met bliksemsnelheid werkt.

Technische Samenvatting: Zeer Veelzijdige op FPGA Geïmplementeerde Cyber Coherent Ising Machine

Probleemstelling
Combinatorische optimalisatieproblemen, zoals de toewijzing van middelen en portfolio-optimalisatie, zijn over het algemeen NP-hard, wat betekent dat de benodigde tijd exponentieel toeneemt naarmate de probleemgrootte groeit. Hoewel Quantum Ising Machines (QIMs) en Coherent Ising Machines (CIMs) potentiële oplossingen bieden, kampen fysieke implementaties met aanzienlijke hindernissen bij het bereiken van dichte koppeling en grote aantal spins ( $N$ ) vanwege bedradingsbeperkingen en fysieke limieten. Als gevolg hiervan hebben onderzoekers klassiek berekenbare vergelijkingen afgeleid uit kwantummeestervergelijkingen (bijv. Stochastische Differentiaalvergelijkingen voor CIMs en Simulated Bifurcation-modellen) om deze op parallelle hardware zoals GPU's en FPGA's op te lossen.

Echter, bestaande grootschalige FPGA-implementaties van deze algoritmen (specifiek Simulated Bifurcation en CIM) lijden aan kritieke beperkingen:

Discrete Interacties: Ze gebruiken doorgaans binaire of ternaire waarden voor koppelingsmatrices ( $J$ ) om geheugen en logische bronnen te besparen, wat onvoldoende is voor real-world signaalverwerkingstoepassingen die continue reële waarden vereisen.
Gebrek aan Zeeman-termen: Ze kunnen vaak geen Zeeman-termen (externe velden) configureren, die cruciaal zijn voor toepassingen zoals compressed sensing en CDMA multi-user detectie.
Algoritmische Rigiditeit: De hardwarearchitectuur is vaak gefixeerd aan een specifief algoritme; het wijzigen van het model vereist een volledige herontwerp.
Beperkte Scope: Ze kunnen niet zowel Ising als Quadratic Unconstrained Binary Optimization (QUBO) problemen met Zeeman-termen simultaan afhandelen, noch kunnen ze de alternerende optimalisatieschema's uitvoeren die vereist zijn voor complexe problemen zoals $L_0$ -norm regularisatie-gebaseerde compressed sensing ( $L_0$ RBCS).

Methodologie
De auteurs hebben een "Cyber Coherent Ising Machine" (Cyber CIM) ontwikkeld, geïmplementeerd op een enkele Xilinx ALVEO U250 FPGA. De architectuur is ontworpen om zeer veelzijdig te zijn, in staat om drie verschillende algoritmen uit te voeren op dezelfde hardwaremodules door simpelweg de sequentiecontrolecode te herschrijven:

Open-Loop CIM: Lost Ising en QUBO Hamiltonians op zonder amplitudecontrole.
Closed-Loop CIM: Lost Ising en QUBO Hamiltonians op met Chaotic Amplitude Control (CAC) om lokale minima te ontsnappen.
Jacobi Successive Over-Relaxation (SOR): Lost simultane vergelijkingen op voor kwadratische optimalisatie.

Belangrijkste Technische Kenmerken:

Precisie: In tegenstelling tot eerdere FPGA-systemen die gebruikmaken van 1-bit of fixed-point rekenkunde, maakt dit systeem gebruik van single-precision floating-point (FP32) voor de koppelingsmatrix ( $J$ ), Zeeman-termen ( $g$ ) en tijdsevolutieberekeningen.
Veelzijdige Architectuur: De kernmodules bestaan uit een Calculation Control Top (CTL TOP) die operaties sequentieert, een Local Field Calculator (CAL H) met 2048 parallelle Multiply-Accumulate (MAC) verwerkingseenheden, en een Time Evolution Calculator (CAL CSR).
Geheugenbeheer: Om de $4096 \times 4096$ koppelingsmatrix in FP32 binnen het interne geheugen van de FPGA op te slaan, slaat het systeem alleen de bovenste driehoeksmatrix op en gebruikt het een multiplexer (J MUX) om de symmetrische matrix tijdens de berekening te reconstrueren.
Alternerende Optimalisatie: Voor $L_0$ RBCS wisselt het systeem af tussen CIM (het optimaliseren van de binaire support vector $q$ ) en Jacobi SOR (het optimaliseren van het continue bron-signaal $r$ ).

Experimentele Evaluatie
Het systeem is getest tegen een NVIDIA Quadro RTX 8000 GPU met behulp van twee specifieke toepassingen die continue interacties en Zeeman-termen vereisen:

CDMA Multi-User Detector: Een Ising Hamiltonian optimalisatieprobleem.
$L_0$ RBCS: Een QUBO Hamiltonian optimalisatieprobleem dat betrekking heeft op sparse signaalherstel.

Experimenten werden uitgevoerd met systeemgroottes van $N=1024$ , $N=2048$ en $N=4096$ .

Resultaten

Veelzijdigheid en Nauwkeurigheid: De FPGA implementeerde succesvol zowel open-loop als closed-loop CIM, evenals Jacobi SOR, op dezelfde hardware. Voor CDMA-detectie produceerden de FPGA en de GPU identieke oplossingstrajecten voor de open-loop CIM. Voor de closed-loop CIM werden lichte trajectverschillen waargenomen, toegeschreven aan de afwijking van de FPGA van strikte IEEE 754 afrondingsregels, wat de chaotische dynamica van de CAC beïnvloedde. Echter, de closed-loop benadering leverde over het algemeen lagere bit-error rates op dan de open-loop benaderingen op beide platforms.
Reconstructieprestaties: Bij $L_0$ RBCS-taken (zowel willekeurige signalen als MRI-data) bereikten de FPGA en de GPU vergelijkbare Root Mean Square Error (RMSE) resultaten, waarbij closed-loop CS over het algemeen beter presteerde dan open-loop CS door oplossingen te vinden die dichter bij de theoretische grondtoestand liggen.
Snelheid: De FPGA-implementatie vertoonde een aanzienlijk snelheidsvoordeel ten opzichte van de GPU.
- Voor CDMA-detectie was de FPGA 13 tot 30 keer sneller dan de GPU, afhankelijk van de systeemgrootte en het algoritme.
- Voor $L_0$ RBCS was de FPGA 12 tot 37 keer sneller dan de GPU.
- De auteurs merken op dat hoewel de parallelliteit van de FPGA (64 MAC-units) één vierde is van een eerdere enkele-FPGA Simulated Bifurcation (SB) implementatie (die 256 MAC-units gebruikte maar binaire interacties), het gebruik van FP32 de oplossing mogelijk maakte van problemen die voorheen onhandelbaar waren op FPGA's.

Betekenis en Claims
Het artikel claimt dat deze Cyber CIM een belangrijke stap voorwaarts vertegenwoordigt in FPGA-gebaseerde Ising machine-implementaties door de nadruk te leggen op veelzijdigheid en precisie boven pure parallelliteitsdichtheid.

Beperkingen Overwonnen: Het is het eerste grootschalige FPGA-systeem dat continue-waardige (FP32) interacties en configureerbare Zeeman-termen ondersteunt, wat toepassingen zoals CDMA multi-user detectie en compressed sensing mogelijk maakt die niet mogelijk waren met eerdere binaire-interactie FPGA-systemen.
Algoritme-Agnostisch: De architectuur maakt het mogelijk om meerdere algoritmen (Open-loop CIM, Closed-loop CIM, Jacobi SOR, en potentieel SB) op dezelfde hardware uit te voeren zonder herontwerp, waarbij wordt ingespeeld op de frequente updates in CIM-onderzoekmodellen.
Prestaties: Ondanks de lagere parallelliteit dan binaire-interactie FPGA-systemen, bereikt de Cyber CIM berekeningssnelheden die meer dan tien keer sneller zijn dan GPU-implementaties voor complexe, real-world optimalisatieproblemen.
Toekomstig Potentieel: De auteurs suggereren dat berekeningssnelheden verder verbeterd kunnen worden door parallelliteit te vergroten via FPGA-clustering of door gebruik te maken van FPGA's met groter intern geheugen om de J MUX-bottleneck te elimineren, wat potentieel hogere klokfrequenties mogelijk maakt.

Het Verhaal van de Cyber Ising Machine

Meer zoals dit