Jan, 2024

用深度学习解决 Boltzmann 优化问题

PDF
TL;DR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。
high performance computingising modelenergy efficiencycomputational optimizationmachine learning
发现论文，激发创造
  • 解释 Ising 模型的机器学习解决方案

    使用神经网络和哈密顿的对称性来解释和预测具有大数据维度的物理应用中的铁磁伊辛模型的临界温度。

    Feb, 2024

  • 在 Ising 机上训练多层神经网络

    该研究提出了一种用于训练量化神经网络（QNN）的 Ising 学习算法，该算法通过二进制编码网络拓扑和损失函数的降阶，实现了在 Ising 机器上训练多层前馈神经网络。该算法的空间复杂度约为 O (H^2L + HLNlogH)，通过模拟 Ising 机器在 MNIST 数据集上验证了其有效性。

    Nov, 2023

  • 经典和量子伊辛机的通用学习方案

    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

  • 近临临界状态下的 Ising 模型深度学习

    使用深度玻尔兹曼机、深度置信网络和深度限制玻尔兹曼网络对二维 Ising 系统进行非监督生成建模，比较与浅层架构的有限玻尔兹曼机的效果，并发现只有第一隐藏层的神经元数量对于生成能量观测量的准确度有影响，而架构的深度和模型类型对于准确度的影响很小，这证明在表示与 Ising 系统的临界概率分布相关的物理概率分布时，浅层网络比深度神经网络更有效率。

    Aug, 2017

  • 逆对偶配对伊辛问题的更快解决方案

    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

  • Born 霸权：一个 Ising Born Machine 的量子优势和训练

    本研究提出量子机器学习模型 ——Ising Born Machine（IBM）并使用斯坦偏差和 Sinkhorn 分歧两种方法进行训练，结果表明这两种方法优于最常使用的最大平均偏差（MMD）训练方法，同时 IBM 不可能被古典设备高效模拟。

    Apr, 2019

  • 使用玻尔兹曼机学习热力学

    通过学习物理系统中热力学量的 Boltzmann 机器，通过自发的学习机器，我们训练了 Boltzmann 机器， 并通过其生成的自旋状态检验热力学可观测量与直接 MC 采样的差距，证明了 Boltzmann 机器能够忠实地再现物理系统的可观测量，并观察到随着系统接近临界状态需要更多的神经元以获得准确的结果。

    Jun, 2016

  • 改进的稀疏 Ising 优化

    稀疏伊辛问题的性能得到了极大的提高，通过引入一种启发式算法，在一些常见的基准问题上达到了两到四个数量级更高的速度和准确性，并找到了比以前报告的解决方案更好的解决方案。

    Nov, 2023

  • 用磁性 p 位对量子系统进行机器学习

    Moore's Law slowdown necessitates scalable and energy-efficient hardware for AI algorithms, with probabilistic computing and spintronic devices showing promise in designing integrated p-computers for the emerging field of machine learning and quantum physics.

    Oct, 2023

  • CMOS + 随机纳米磁体：概率推理和学习的异质计算机

    本文提出了一种异构计算器，该计算器将基于随机磁隧道结的概率位（p-bits）与现有的 CMOS 技术相结合，恰当的设计提高了概率计算的能效，提供了比仿真高质量的随机比特。

    Apr, 2023