一种使用玻尔兹曼机解决优化问题的新方法

Ising机器是基于物理原理的非传统计算机架构，以德国物理学家ErnstIsing命名。近年来，人们发现它们是解决组合优化(CO)问题和创建大脑人工模型的特别有前途的工具。

加利福尼亚大学伯克利分校台积电杰出的EECS教授SayeefSalahuddin小组的一组研究人员最近一直在探索Ising机器在寻找复杂优化问题的解决方案方面的潜力。他们最近发表在NatureElectronics上的论文介绍了一种由许多受限玻尔兹曼机(RBM)组成的新Ising机器，该机器被发现在复杂的组合优化任务上取得了显着的效果。

“近年来，在Ising机器上进行了大量工作以加速优化问题，我们的工作以此为基础，”进行这项研究的主要作者SaavanPatel告诉TechXplore。“我们研究的主要目标是展示机器学习和硬件加速如何融入伊辛机器的框架，并以受数字逻辑启发的方式加速优化问题。”

受限玻尔兹曼机(RBM)是基于人工神经网络的生成随机模型。这些模型可以非常擅长捕捉大量输入数据中的复杂相关性和分布模式。

RBM依赖于二进制激活，绕过了通常对深度学习网络计算要求最高的直接矩阵向量乘法。在他们的研究中，Patel和他的同事利用模型的这一独特特性来提高他们的机器解决优化问题的速度。

“我们的算法以一种新的方式使用数字逻辑的基本原理来发挥作用，”帕特尔解释说。“通常，数字门仅在正向运行，但通过使用概率图形模型和机器学习，我们已经展示了反向操作它们的方法。利用这一原理，我们以一种可以解决正向的方式设计概率数字电路问题(“这组输入是一个有效的解决方案吗?”或“什么是191x223?”)，但由于系统是可逆的，它也可以回答更难的逆问题(“什么是所有输入产生一个有效的解决方案?”和“什么是A和B使得AxB=42593?”)。

他们开发的机器使Patel和他的同事能够解决各种不同的优化问题。从本质上讲，他们的电路通过最初评估不同的现有解决方案，然后尝试识别新的解决方案本身来工作。与之前提出的其他解决方案相比，研究人员的平台将问题映射方法、机器学习和硬件解决方案结合在一起。

“使用我们的数字逻辑方法，我们能够证明我们可以解决两种‘困难’问题，”Patel说。“第一个是布尔可满足性，它构成了组合优化问题的主干，第二个是整数分解问题，它是现代计算机使用的RSA密码算法的基础。目标是证明这个工具有效，并且我们证明了我们可以解决比以前提出的方法更大的分解问题。”

在初步评估中，这组研究人员创建的机器取得了非常有希望的结果，解决了复杂的组合优化和整数分解问题。此外，论文中介绍的支持硬件可以比传统CPU快10000倍地找到问题的解决方案。

将来，像Patel及其同事介绍的那样的Ising机器可用于更快速、更有效地解决各种复杂的现实世界问题，包括与物流或制造、路由问题和密码破解相关的问题。在接下来的研究中，研究人员将尝试升级他们的机器，使其能够完成越来越大、越来越复杂的优化任务。此外，他们想评估其解决其他类型问题的潜力。

“我们正在设计更大、更高效的FPGA系统以及ASIC，以解决更大的问题，”Patel补充道。“就新的问题领域而言，我们一直在研究路由问题(如旅行商问题)、通信问题(如LDPC编码)、量子问题(如寻找分子系统的基态)和其他优化问题的映射(“例如，MAX-CUT问题的解决方案)。这些系统有很多新的前沿，我们很高兴探索新的空间!我们的目标是始终以更快、更高效的方式解决更难的问题。”