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

为了解决现代计算中最棘手的难题，科学家们正将目光从驱动手机和笔记本电脑的硅芯片转向其他领域。这些传统的机器虽然在许多任务上速度极快，但在处理被称为“组合优化”的特定类别问题时却显得力不从心。想象一下，试图为一个拥有上千个运动部件的系统寻找唯一的最佳排列方式，其中每一个变化都会影响到所有其他部分；可能性的组合数量如此庞大，以至于标准计算机需要比宇宙年龄还要长的时间才能检查完所有组合。为了应对这一挑战，研究人员开发了一种名为“伊辛机”（Ising machine）的新型机器。这些设备并不逐一检查每种可能性，而是利用物理定律自然地趋向于最佳解。它们模拟了微小磁性粒子（或称“自旋”）的行为，这些粒子倾向于以最小化总能量的方式进行排列。通过构建类似于这些磁性自旋的振荡器、激光器或电子电路网络，这些机器可以沿着复杂的能量景观下滑，直到到达最低点，而这个最低点对应的正是正确答案。

然而，一个隐藏的缺陷一直限制着这些物理加速器的性能。尽管其核心物理过程是连续且平滑的，但这些机器连接其部件的方式通常依赖于数字计算。当机器计算两个自旋之间连接强度时，必须将这种精确的连续值转换为具有有限步长的数字，就像将一个精确的测量值舍入到最近的整数一样。这种被称为“离散化”的舍入过程引入了一种微妙但具有破坏性的误差。它扭曲了机器试图导航的能量景观，制造了虚假的谷底和凸起，从而将系统困在错误的答案中。多年来，研究人员一直知道这些机器在配合更精确的数字组件时表现更好，但他们缺乏对这种扭曲究竟是如何运作的清晰理解，也缺乏如何在不构建极其昂贵的硬件的情况下修复它的方法。

剑桥大学的一个研究小组现在绘制出了这种扭曲的图谱，并发现了一种出人意料的简单方法来抵消它。通过分析现实世界硬件的数学传递函数，他们确定了由数字反馈舍入引起的误差主要由两部分组成：一部分是使系统偏离航道的恒定偏移，另一部分是令机器运动感到困惑的一系列锯齿状高频纹波。研究人员发现，只需通过添加一个微小的固定偏差即可抵消恒定偏移，这实际上是重新校准了数字标尺。为了处理锯齿状纹波，他们提出了向机器中注入特定类型噪声的方案。这种噪声并非通常与干扰相关的随机静态噪声，而是具有特定频率能量分布模式的“有色”噪声。他们发现，一种被称为“紫噪声”（violet noise）的特定高频噪声可以起到类似滤波器的作用，平滑掉锯齿状纹波，使机器能够忽略数字误差并遵循真实的路径找到解。

为了验证他们的理论，该团队运行了大量的计算机模拟，让这些机器解决难度不断增加的问题。他们首先使用了一个被称为“莫比乌斯梯形”（Möbius ladder）的标准基准测试，这是一种特定的网络结构，易于验证，但在连接发生扭曲时却难以求解。在模拟中，未经修正的机器由于受到数字舍入误差的影响，经常陷入局部陷阱，只能找到较好的解而非最优解。当研究人员应用他们的修正方法——即添加固定偏差和紫噪声时——机器的成功率大幅飙升。对于一个拥有五十个自旋的系统，找到完美解的概率从百分之三十五跃升到了百分之九十九以上。这种提升不仅仅是微调了几个设置，而是机器在能量景观中移动方式的一次根本性变革，使其能够绕过由数字硬件制造的人为障碍。

研究人员随后进一步测试了该方法在更复杂条件下的表现。他们研究了可以通过调节难度来改变难度的题目，创造了一些让机器必须从“虚假的安全感”中脱身才能找到真实答案的情景。在这些问题的“困难”区域，未经修正的机器表现挣扎，经常无法找到任何好的解。然而，经过修正的机器保持了很高的成功率，在最具挑战性的区间内有效地将性能提升了一倍。团队还在二维铺砖问题（tiling problems）上测试了这些想法，这类问题对于优化机器来说是出了名的难。在这些测试中，未经修正的机器随着问题的难度增加，其成功率下降了两个到三个数量级，几乎降至零。相比之下，经过修正的机器维持了大约一百到一千倍高的成功率，证明了这种缓解策略在问题最困难的时候效果最为显著。

这项工作的其中一个最实际的意义在于，它改变了对硬件本身的要求。由于修正方法有效地消除了失真，这些机器不需要使用最昂贵、最高精度的数字组件就能达到顶尖性能。模拟显示，一台经过修正的机器仅需具备两位精度的数字组件即可达到峰值性能，而未经修正的机器则需要三到四位精度才能达到同样的结果。这表明，只要包含简单的偏差和噪声注入协议，工程师就可以使用更简单、更便宜且更节能的硬件来构建这些强大的优化机器。研究人员还发现，经过修正的机器对噪声的具体调优并不敏感，这使得它们更加稳健且易于在现实环境中操作。

这项研究证实，数字反馈造成的失真是此类计算中的一个普遍问题，任何使用数字计算器来控制物理网络的机器都会受到影响。通过推导出这种失真的明确公式并演示如何抑制它，研究人员为整个领域提供了一个通用的设计工具。他们的工作表明，构建更强大的优化机器之路并不一定需要更复杂的物理学或更昂贵的组件，而是需要一种更聪明的方法来处理数字控制中不可避免的不完美。研究结果表明，只要结合适当的微小固定调整和特定类型的噪声，这些物理计算机就能克服其“数字大脑”的局限，解决那些此前无法触及的问题。