arXiv · Neural and Evolutionary Computing· Faiek Ahsan, Shantanu Chakrabartty
· 22 小时前
将约束编译进神经形态伊辛机
Compiling Constraints into Neuromorphic Ising Machines
预印本 · 尚未经过同行评审
AI 导读
高阶神经形态伊辛机用可编程跃迁而非能量惩罚实现约束,三阶图匹配迭代次数少几个数量级。
摘要 · AI 翻译
大多数实际的组合优化问题都涉及约束,而一次只翻转一个自旋的伊辛机只能通过能量惩罚来尊重这些约束,而能量惩罚会在可行解之间抬高势垒。在这里,我们展示一种高阶神经形态伊辛机可以通过可编程跃迁而非惩罚来施加约束。在一种类似自编码器的架构中,每个内层神经元代表一个移动——一族将每个可行状态映射到另一个可行状态的多自旋跃迁——它通过外层神经元以乘法方式开启或关闭的连接接收其移动的能量变化,并通过相同的连接更新状态。编译器将约束转化为这种布线,所需的辅助子句数量对于奇偶、基数、one-hot、划分和排列约束仅呈多项式增长。将搜索限制在可行状态上,把约束处理简化为移动设计,并且我们表明,最快的退火移动并非那些混合最快的移动,而是那些降低最深能量势垒的移动,并且从目标函数中选择的移动比随机选择的移动能进一步降低这些势垒。在三阶图匹配上,该机器所需的迭代次数比基于惩罚的神经形态机器少几个数量级。在现场可编程门阵列上配置为采样器时,它能在每次采样 52 $\mu$s 内以最大似然精度解码码距高达 15 的表面码,并且在含噪综合征测量下,对于毫秒级测量轮次,可实时解码码距高达 9,且逻辑错误少于置信传播解码器。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Neural and Evolutionary Computing · arxiv.org