Highly Versatile FPGA-Implemented Cyber Coherent Ising Machine

想象一下，将计算世界看作一座宏大而繁忙的城市，其中的每一栋建筑都代表一个微小的决策。有时，这座城市需要解决一个巨大的谜题：寻找完美的交通灯排列方案以消除拥堵，组织医院的排班表以确保无人等待，甚至研究如何最优化地打包行李。这些都是“组合优化”问题，即你必须从令人眼花缭乱的可能性中挑选出最佳的组合方案。选项越多，谜题就越难，往往会变得极其复杂，以至于即使是最强大的超级计算机也会陷入困境，需要花费数年时间才能找到一个较好的答案。

为了应对这些看似不可能完成的谜题，科学家们一直在构建特殊的“伊辛机”（Ising machines）。请不要把它们仅仅看作普通的计算机，而应将其视为基于物理学的神奇引擎。它们不只是逐个进行数字运算，而是让成千上万个微小的开关（称为“自旋”）相互舞动并产生交互，就像一群人在剧院里试图寻找最舒适的坐法一样。通过观察这些自旋如何趋于稳定，机器便能找到谜题的最佳解。最近，研究人员尝试利用光和量子物理来构建这些机器，但这就像是用玻璃建造摩天大楼一样：既脆弱、昂贵，又难以将所有部件连接在一起。因此，一些聪明的工程师决定构建一个“网络化”（cyber）版本——一个在特殊芯片（称为 FPGA）上运行的数字模拟版本。这使得他们无需在实验室里摆满激光器和反射镜，就能测试这些谜题背后的物理特性。

你即将阅读的论文描述了对这个数字“网络化”机器的一次重大升级。该团队构建了一个高度通用的版本，能够处理比以往更复杂的谜题。之前的数字尝试就像是在使用一台只能理解“是”或“否”（二进制）或“也许”（三进制）的计算器。然而，这台新机器却能理解完整的数字语言，使用精确的小数（浮点数）来描述谜题碎片之间的相互作用。这一点至关重要，因为许多现实世界的工程问题，例如在拥挤的无线电室内解码信号，或重建模糊的 MRI 图像，都需要这种精度。如果你强行将这些问题塞进简单的“是/否”框中，答案就会变得混乱且错误。

研究人员在两个非常困难的任务上测试了他们的机器：一是充当拥挤无线电频道中的超快速侦探（CDما 多用户检测器），二是作为医疗扫描的智能图像恢复器（压缩感知）。他们发现，这台新的“网络化”机器解决这些问题的速度比现代计算机中使用的标准高端图形卡（GPU）快了十倍以上。尽管由于需要处理精确的小数，这台机器需要付出更多的努力，但其速度和灵活性最终胜出了。这就像是从一辆只能在铺设好的道路上行驶的自行车，升级到了一辆既能保持高速，又能应对泥泞、沙地和陡坡的全地形车。

网络化伊辛机的故事

问题所在：“玻璃”之城
想象一下，你正在组织一场盛大的派对，每个人都必须坐在朋友身边，同时避开敌人。如果你只有 10 个人，这很简单；但如果你有 1,000 人，这就是一场噩梦。在物理学世界中，这可以用“伊辛模型”（Ising model）来建模，其中微小的磁铁（自旋）希望与某些邻居对齐，而与其他邻居相反。寻找完美的座位表，本质上就是在寻找这个系统的“基态”（最低能量状态）。

长期以来，科学家们一直尝试构建真实的机器，利用光（激光）或超导电路来解决这些问题。这些被称为“相干伊辛机”（CIM）。它们很酷，因为它们利用物理定律来瞬间解决数学问题。但构建它们就像是用玻璃建造一座城市：很难在不破坏一切的情况下连接成千上万个连接点。因此，研究人员开始创建“网络化”版本——即模拟这些物理特性的软件仿真，运行在常规计算机芯片上。

旧方法：千篇一律（但存在缺陷）的工具
在此论文之前，已经存在一些在 FPGA（现场可编程门阵列）上运行的数字伊辛机。你可以把 FPGA 想象成一块乐高板，你可以重新编写程序让它变成任何种类的机器。然而，旧版本存在一些严重的局限性：

1. 过于简单： 它们只能使用“二进制”（0 或 1）或“三进制”（0, 1, 或 -1）数字来表示自旋之间的连接。这就像是用黑色的马克笔和白色的橡皮擦来绘制杰作，无法捕捉到现实世界问题所需的微妙灰色调。
2. 无法处理“塞曼项”（Zeeman terms）： 在物理学中，“塞曼项”就像是一阵吹向自旋的外部风，推动它们向特定方向移动。许多实际问题（如在嘈杂的无线电中寻找信号）都需要这种“风”来运作，而旧机器无法正确处理这种“风”。
3. 缺乏灵活性： 如果你想改变算法（游戏规则），通常必须重新构建整个机器。

新解决方案：瑞士军刀
本文中的团队构建了一种全新的 FPGA 架构，解决了所有这些问题。他们称之为“网络化相干伊辛机”。以下是它的特别之处：

• 它能理解“真实”数字： 这台机器不再仅仅使用 0 和 1，而是使用“单精度浮点数”（FP32）。这就像是从黑白电视升级到了 4K 彩色电视，它可以处理现实工程问题所需的精确、复杂的十进制数值。
• 它能处理“风”： 它现在可以妥善管理塞曼项，使其能够解决诸如 CDMA 多用户检测（在嘈杂的房间里找出谁在说话）和 基于 L0 范数的压缩感知（从极少数模糊碎片中重建清晰图像，如 MRI 扫描）等问题。
• 它是变色龙： 机器内置了一个“控制模块”，充当遥控器的角色。通过简单地重写这个遥控器的代码，机器可以在不同模式之间切换：
  • 开环 CIM： 最初的、更简单的版本。
  • 闭环 CIM： 一个更新、更复杂的版本，它使用了“混沌振幅控制”（一种通过抖动来逃离糟糕解的巧妙方法）。
  • Jacobi SOR： 一种求解方程组的方法。
  • 模拟分叉（SB）： 这是另一种流行的算法，如果更改代码，它也可以运行。

竞赛：网络化机器 vs. GPU
为了验证他们的机器是否真的出色，团队将其与标准的显卡（NVIDIA Quadro RTX 8000，一种用于游戏和人工智能的芯片）进行了对比。他们在两个重大挑战中测试了它：

1. 无线电侦探（CDMA）： 他们试图在嘈杂的信道中找出 4,096 个用户中谁在发送消息。

   • 结果： FPGA 机器的速度比 GPU 快 11 到 30 倍。
   • 准确度： 它能像 GPU 一样很好地找到答案，并且在某些情况下（使用“闭环”模式时），由于“混沌抖动”有助于它逃离死胡同，它的表现甚至比 GPU 更好，能找到更完美的解。

2. 图像恢复器（L0RBCS）： 他们尝试从仅有 40% 数据的情况下，重建一张 64x64 像素的 MRI 图像。

   • 结果： FPGA 机器的速度比 GPU 快 12 到 37 倍。
   • 准确度： 它生成的图像同样清晰，并且同样，其“闭环”版本通过更接近理论上的完美解，产生了更好的图像。

权衡：速度 vs. 精度
你可能会问：“既然它这么快，为什么以前没人这么做？”论文解释说，这里存在一种权衡。之前的 FPGA 机器（如模拟分叉类）之所以极其快速，是因为它们使用简单的二进制数字，并且可以同时运行四倍数量的“工人”（并行处理单元）。而新的机器使用精确的浮点数，这需要消耗更多的逻辑资源，因此它的“工人”较少（只有 2,048 个 MAC PE，而旧的二进制机器有 8,192 个）。

由于工人较少，新机器完成一步计算所需的时钟周期大约是旧二进制机器的 四倍。然而，由于它能解决那些二进制机器因需要精确数字和塞曼项而完全无法解决的问题，这仍然是一个巨大的飞跃。这就像是一辆虽然速度稍慢但能进行越野驾驶的汽车，对比一辆只能在高速公路上疾驰的跑车。对于需要越野驾驶的问题，慢速车是唯一的选择。

这意味着什么
论文结论指出，这种新架构是一个“高度通用”的工具。它证明了你不需要一台脆弱且昂贵的物理激光机器就能获得伊辛物理学的优势。你可以构建一个数字版本，它具备以下特点：

• 多功能： 可以随时切换不同的算法。
• 高精度： 处理现实世界的十进制数字和外部力量（塞曼项）。
• 高速度： 比标准 GPU 快 10 倍以上。

作者建议，如果他们能够构建这些机器的集群（将许多 FPGA 连接在一起），他们可以让它变得更快，从而解决规模更大的谜题。目前，他们已经证明，数字“网络化”机器在处理现实世界复杂且混乱的数学问题时，比它们那些简单的二进制兄弟要强大得多，同时还能保持闪电般的速度。