[论文解读] A Recurrent Ising Machine in a Photonic Integrated Circuit

Mihika Prabhu, Charles Roques‐Carmes+11 more|arXiv (Cornell University)|Sep 30, 2019

Neural Networks and Reservoir Computing被引用 4

一句话总结

本文提出集成纳米光子循环伊辛采样器（INPRIS），一种光子集成电路，利用光学矩阵乘法和受控噪声，高效采样伊辛问题的吉布斯分布。该系统通过将物理噪声作为计算资源，实现在四自旋图中以高概率收敛至基态，展示了通往千兆赫兹速度、低功耗光子伊辛机的路径，相较于经典求解器具有数量级的加速潜力。

ABSTRACT

Conventional computing architectures have no known efficient algorithms for combinatorial optimization tasks, which are encountered in fundamental areas and real-world practical problems including logistics, social networks, and cryptography. Physical machines have recently been proposed and implemented as an alternative to conventional exact and heuristic solvers for the Ising problem, one such optimization task that requires finding the ground state spin configuration of an arbitrary Ising graph. However, these physical approaches usually suffer from decreased ground state convergence probability or universality for high edge-density graphs or arbitrary graph weights, respectively. We experimentally demonstrate a proof-of-principle integrated nanophotonic recurrent Ising sampler (INPRIS) capable of converging to the ground state of various 4-spin graphs with high probability. The INPRIS exploits experimental physical noise as a resource to speed up the ground state search. By injecting additional extrinsic noise during the algorithm iterations, the INPRIS explores larger regions of the phase space, thus allowing one to probe noise-dependent physical observables. Since the recurrent photonic transformation that our machine imparts is a fixed function of the graph problem, and could thus be implemented with optoelectronic architectures that enable GHz clock rates (such as passive or non-volatile photonic circuits that do not require reprogramming at each iteration), our work paves a way for orders-of-magnitude speedups in exploring the solution space of combinatorially hard problems.

研究动机与目标

• 开发一种可扩展的、基于光子的伊辛机，以高效求解 NP 难组合优化问题。
• 克服现有物理伊辛机的局限，如基态收敛概率低，以及在高边密度或加权图中通用性差的问题。
• 利用光子电路中的内在和外部噪声作为计算资源，实现对解空间的更快探索。
• 展示一种概念验证的集成纳米光子系统，可在固定、不可重构的光子电路中实现高速运行。
• 实现未来准无源光子 ASIC，其在速度和能效方面优于电子和有源光子伊辛机。

提出的方法

• 该系统采用可编程纳米光子处理器（PNP）实现循环伊辛采样，执行光学矩阵乘法，其固定变换矩阵为 C = 2√K，其中 K 为伊辛问题的耦合矩阵。
• 输入自旋态以同相光信号编码，并通过 PNP 传输，由于物理缺陷产生具有高斯分布噪声（标准差 φ）的输出。
• 该噪声输出经模拟非线性单元（如饱和放大器）处理后，反馈回输入端，形成循环回路，推动系统趋向低能量态。
• 系统的动力学由一个随机过程控制，收敛至伊辛哈密顿量的吉布斯分布，低温下基态被指数级偏好。
• 在迭代过程中注入外部噪声，以增强相空间探索，提升收敛至全局最小值的能力。
• 光子电路设计为每轮迭代不可重构，通过无源或非易失性光子架构实现千兆赫兹时钟速率。

实验结果

研究问题

• RQ1 具有固定光学变换的光子集成电路能否高效采样任意伊辛问题的吉布斯分布？
• RQ2 受控的物理噪声如何在循环伊辛采样器中增强对基态的收敛？
• RQ3 内在和外部噪声在光子伊辛机中能在多大程度上被用作计算资源？
• RQ4 不可重构的无源光子架构能否实现高速、低功耗的组合优化计算？
• RQ5 在将此类系统扩展至更大自旋网络时，关键的设计权衡是什么？

主要发现

• INPRIS 在多种四自旋伊辛图中实现了对基态的高概率收敛，证实其能够准确采样吉布斯分布。
• 通过将物理噪声作为计算资源利用，系统实现了高成功率收敛至基态，且噪声水平接近基态搜索的最优区域。
• 实验表明，内在和外部噪声源显著影响磁化强度和基态占据率等物理可观测量，证实了噪声依赖的动力学行为。
• 每问题实例的光子循环变换为固定，使其具备在非易失性光子 ASIC 中实现的潜力，支持千兆赫兹时钟速率和每步阿焦耳量级的能耗。
• 通过仿真和实验验证了系统性能，结果与统计力学预测的吉布斯分布收敛一致。
• 本工作识别出关键设计权衡，如特征值丢失和闲置信号数量，这些在扩展至更大系统时必须加以解决。