Noise-augmented Chaotic Ising Machines for Combinatorial Optimization and Sampling

随着领域特定计算的兴起，Ising机备受关注，它是一种专门用于解决组合优化和概率采样问题的硬件加速器。Ising机的一个关键元素是随机性，它可以广泛探索配置，从而帮助避免局部极小值。在这里，我们评估和改进了之前提出的耦合混沌比特（c-bits）的概念，这些比特在没有任何显式随机性的情况下运行。我们展示了将混沌比特与随机性相结合可以在组合优化问题的算法扩展方面取得更好的表现，与具有显式随机性的概率比特（p-bits）的性能相当。我们首先展示了c-bits在一维横向场Ising模型中出人意料地遵循量子玻尔兹曼定律，尽管没有显式随机性。然后，我们展示了c-bits在二维Ising模型和三维自旋玻璃模型中表现出类似于随机p-bits的临界动力学，具有解决具有挑战性的优化问题的潜力。最后，我们提出了一种通过强大的自适应并行淬火算法（APT）来增加噪声的耦合c-bits版本。增加噪声的c-bit算法优于完全确定性的c-bits运行模拟退火算法的版本。混沌Ising机与基于耦合振荡器的Ising机非常相似，因为两种方案都利用非线性动力学进行计算。基于振荡器的Ising机可以从我们提出的算法中获益，该算法在恒定温度下运行副本，消除了全局调节耦合强度的需要。将随机性与确定性c-bits混合创建了一种强大的混合计算方案，可以在规模化、异步和大规模并行的硬件实现中带来好处。

本文旨在评估和改进先前提出的耦合混沌比特（c-bits）的概念，该概念在没有任何明确随机性的情况下运行。作者试图将混沌比特与随机性相结合，以改善组合优化问题的算法扩展性，从而与具有明确随机性的概率比特（p-bits）的性能相媲美。

通过将混沌比特与随机性相结合，提高了组合优化问题的算法扩展性，从而使其与具有明确随机性的概率比特的性能相当。

实验结果表明，混沌比特在一维横向场伊辛模型中遵循量子玻尔兹曼定律，并且在二维伊辛和三维自旋玻璃模型中表现出与随机概率比特类似的关键动力学。作者还提出了一种通过自适应并行淬火算法（APT）噪声增强的混沌比特版本，该算法在解决优化问题方面优于完全确定性的混沌比特。

最近的相关研究包括Oscillator-based Ising machines，以及其他组合优化算法的硬件实现。