[论文解读] Emulating the coherent Ising machine with a mean-field algorithm

Andrew D. King, William Bernoudy+3 more|arXiv (Cornell University)|Jun 21, 2018

Quantum Computing Algorithms and Architecture参考文献 1被引用 31

一句话总结

本文提出了一种经典的噪声均场退火（NMFA）算法，通过使用标准GPU硬件模拟相干伊辛机（CIM），以算术计算替代光学元件。NMFA在伊辛模型问题上的性能与CIM相当，且在100自旋规模下运行速度比NTT的CIM快20倍，比斯坦福CIM快130倍，表明CIM的计算优势并非源于量子效应，而是源于高效的均场反馈机制。

ABSTRACT

The coherent Ising machine is an optical processor that uses coherent laser pulses, but does not employ coherent quantum dynamics in a computational role. Core to its operation is the iterated simulation of all-to-all spin coupling via mean-field calculation in a classical FPGA coprocessor. Although it has been described as "operating at the quantum limit" and a "quantum artificial brain", interaction with the FPGA prevents the coherent Ising machine from exploiting quantum effects in its computations. Thus the question naturally arises: Can the optical portion of the coherent Ising machine be replaced with classical mean-field arithmetic? Here we answer this in the affirmative by showing that a straightforward noisy version of mean-field annealing closely matches CIM performance scaling, while running roughly 20 times faster in absolute terms.

研究动机与目标

• 探究相干伊辛机（CIM）的性能是否依赖于量子效应，还是源于经典均场动力学。
• 确定CIM的光学元件是否可被经典计算替代而不损失解的质量。
• 评估经典均场算法是否能与CIM在伊辛模型问题上的成功概率和扩展行为相匹配。
• 在运行时间和解的质量方面，对所提算法与实际CIM硬件进行性能基准测试。

提出的方法

• 实现一种噪声均场退火（NMFA）算法，通过在[−1, 1]区间内使用连续实值自旋，模拟CIM的自旋测量、均场计算和反馈循环。
• 计算均场项 Φᵢ = (hᵢ + Σⱼ Jᵢⱼsⱼ) / √(hᵢ² + Σⱼ Jᵢⱼ²) + 𝒩(0, σ)，以实现有效场的归一化并添加噪声。
• 通过 sᵢ ← α·(-tanh(Φᵢ / Tₜ)) + (1 - α)·sᵢ 更新自旋值，其中 α < 1 控制反馈强度，Tₜ 随时间递减。
• 采用三段式分段指数温度调度，平滑过渡从噪声主导到均场主导的动力学。
• 在GPU上运行NMFA，参数固定为与CIM实验中一致，以实现直接性能对比。
• 重现先前CIM研究的结果（例如，Inagaki等，2016；Hamerly等，2018），以验证NMFA对CIM行为的保真度。

实验结果

研究问题

• RQ1 经典均场算法能否在伊辛模型问题上复现相干伊辛机的解质量与扩展行为？
• RQ2 相干伊辛机是否在经典均场方法之上具有任何计算优势，还是其性能可归因于高效的经典反馈？
• RQ3 GPU加速的NMFA算法在运行时间和解质量方面与实际CIM硬件相比表现如何？
• RQ4 NMFA中的噪声与反馈动力学在多大程度上复现了光学CIM中观察到的行为？

主要发现

• 在G22实例上，NMFA实现平均MAX-CUT值为13,267，最优值为13,325，与NTT CIM的13,248和13,313非常接近。
• 在K₂₀₀₀全连接实例上，NMFA实现平均值32,730，最优值33,186，与NTT CIM的32,457和33,191相比表现相当。
• 在N=100的密集MAX-CUT实例上，NMFA每样本运行时间为12.3 μs，比NTT CIM快约20倍，比斯坦福CIM快130倍。
• NMFA在SK、密集MAX-CUT和度数为3的MAX-CUT实例上的成功概率与CIM高度一致，表明其行为保真度极高。
• 该算法在多种问题类型（包括随机图、无标度图和全连接图）上均表现出鲁棒性，且与CIM结果保持一致匹配。
• 研究结论认为，CIM并未利用量子效应进行计算，其性能可由运行在标准硬件上的经典均场算法完全复现。