模拟相干 Ising 机进行退火
本文讨论了光学处理器一致性 Ising 机的操作方法,探讨了如何用经典平均场算法代替光学部分,通过研究发现噪声版本的平均场算法可以近似等效于一致性 Ising 机的性能,而且运行速度大约快了 20 倍。
Jun, 2018
本文提出了一种基于模拟退火的启发式搜索算法,在搜索空间上通过展开马尔可夫链到递归深度树来寻找最优解,利用连续表示的自旋状态和正则化项以及振荡子的动力学来探索选定的树节点周围的搜索空间,并在 NP - 困难问题(MAX-CUT)上验证了该算法与半定规划、模拟退火和相干 Ising 机的比较实验中能够在较少的迭代次数内获得更优解的优越性。
Mar, 2022
本文讲述了基于 Ising 机的解决最优化问题方法。作者发现缺少了立方相互作用和高效的随机化启发式算法成为了失误的原因。最后,作者增加了一个合适的框架和一个新的方法,提高了搜索的效率,实验结果在以往硬件和软件求解最优化问题算法的基础上取得了更高的效果。
May, 2023
通过开发和评估先进的分解技术,我们扩大了空间光子伊辛机 (SPIMs) 所能解决的问题范围,克服了传统 Mattis 型矩阵的局限性。我们探讨了低秩近似在优化任务中的实际收益,特别是在金融优化中,以展示 SPIMs 的实际应用。最后,我们评估了 SPIM 硬件精度所带来的计算限制,并提出优化系统性能的策略。
Jun, 2024
我们使用量子 - 经典混合方法和可解释的机器学习方法,探测无特征量子态的新迹象,并在模拟六角格子上 Kitaev - Heisenberg 模型中明确表示出磁场引起间隔相的特征振荡。
Jun, 2023
提出了一个基于 Ising 结构的新型机器学习模型,可以通过梯度下降进行高效训练,实验证明了 Ising 机器在不同的学习任务中的新可能性,尤其在量子机器学习领域中,量子资源被用于模型的执行和训练,提供了有希望的前景。
Oct, 2023
本研究在模拟退火优化问题中引入了量子涨落,通过解决小型系统的时间依赖薛定谔方程和与传统方法的比较,发现在相同的降温进度下,量子退火方法几乎在所有情况下都以更高的概率找到了对角哈密顿量的基态。
Apr, 1998
本研究证明基于成对交互的概率模型,尤其是伊辛模型,能够准确地描述从神经元到基因等多种真实生物网络实验数据。通过将统计物理和机器学习的思想相融合,我们展示了一种新的反演求解方法,并发展出了针对真实神经元数据的一些有效的求解技巧。我们的算法不仅仅可以在几分钟内学习描述四十个神经元的伊辛模型,而且可以分析更大的数据集,从而验证这些网络的集体行为假设。
Dec, 2007
高性能计算的效率提升趋于尽头,传统的 CMOS 技术面临物理极限,Miniaturization 无法继续进行;以 Ising 模型为基础的计算系统能够接近热力学极限下的能耗,同时兼具逻辑和存储功能,潜在降低 CMOS 计算中昂贵的数据迁移造成的能源成本;本文的贡献是提出一种结合深度神经网络和随机森林的机器学习方法,用于高效解决 Ising 模型中最小化误差的优化问题,并提供一种将 Boltzmann 概率优化问题转化为监督式机器学习问题的过程。
Jan, 2024
我们提出了一种高效的 Monte Carlo 算法,用于模拟一个包含多个不同温度副本并引入虚拟过程交换这些副本配置的 “难以松弛” 系统。 使用这种算法,研究了三维 ±J 伊辛自旋玻璃模型,并发现它的遍历时间比多重正则化方法小得多。 特别是在低温相,时间相关函数几乎遵循指数衰减,其弛豫时间与遍历时间相当。 这表明,即使在低温相,该系统也可以通过交换过程非常快速地松弛。
Dec, 1995