[论文解读] Highly parallel algorithm for the Ising ground state searching problem

A. Yavorsky, L. A. Markovich+2 more|arXiv (Cornell University)|Jul 11, 2019

Quantum Computing Algorithms and Architecture参考文献 50被引用 4

一句话总结

该论文提出MARS，一种高度并行的算法，通过结合平均场下降与从随机初始状态出发的模拟退火，用于寻找伊辛模型的基态。该算法在大规模伊辛系统和MAX-CUT基准测试中表现出色，其解决方案质量与计算速度均优于经典模拟退火、NMFA和SimCIM，主要得益于对低成本单次运行的海量并行处理。

ABSTRACT

Finding an energy minimum in the Ising model is an exemplar objective, associated with many combinatorial optimization problems, that is computationally hard in general, but occurs in all areas of modern science. There are several numerical methods, providing solution for the medium size Ising spin systems. However, they are either computationally slow and badly parallelized, or do not give sufficiently good results for the large systems. In this paper, we present a highly parallel algorithm, called Mean-field Annealing from a Random State (MARS), incorporating the best features of the classical simulated annealing (SA) and Mean-Field Annealing (MFA) methods. The algorithm is based on the mean-field descent from a randomly selected configuration and temperature. Since a single run requires little computational effort, the effectiveness can be achieved by massive parallelisation. MARS shows excellent performance both on the large Ising spin systems and on the set of exemplary maximum cut benchmark instances in terms of both solution quality and computational time.

研究动机与目标

• 为解决伊辛模型基态寻找的计算困难问题，该问题作为物理、优化与机器学习中广泛应用的典型NP难问题。
• 克服现有方法在大规模伊辛自旋系统与组合优化实例中普遍存在的并行化能力差与收敛缓慢等局限性。
• 开发一种可扩展的、大规模并行的算法，以极低的单次运行计算成本获得高质量解。
• 在标准基准测试上评估性能，包括G-set的MAX-CUT实例与大规模全连接伊辛系统。
• 分析参数敏感性，并与最先进算法在解决方案质量、运行时间与成功概率方面进行比较。

提出的方法

• MARS从一个随机选择的自旋配置开始搜索，并在固定温度下应用平均场下降，利用平均场近似加速收敛。
• 该算法采用温度调度策略，以高效探索能量景观，通过从高温到低温的下降过程避免陷入局部极小值。
• 每次运行计算开销极低，可实现跨大量核心或处理器的海量并行处理，结果通过聚合提升解决方案质量。
• 该方法结合了经典模拟退火（SA）与平均场退火（MFA）的特性，融合了SA的随机逃逸能力与MFA的快速平均场更新机制。
• 使用温度边界 $T_{\text{min}} = 0$ 与 $T_{\text{max}} = 40$，敏感性分析表明性能对这些参数高度依赖。
• 该算法在全连接伊辛系统与G-set的MAX-CUT图上进行了测试，采用文献中的标准基准实例。

实验结果

研究问题

• RQ1 高度并行的算法是否能显著优于经典与近期启发式方法，在大规模系统中求解伊辛基态问题？
• RQ2 在大规模伊辛自旋系统中，MARS在解决方案质量与计算时间方面与SA、NMFA和SimCIM相比表现如何？
• RQ3 参数选择（特别是 $T_{\text{min}}$ 与 $T_{\text{max}}$）在多大程度上影响解的质量与成功概率？
• RQ4 MARS是否能在标准MAX-CUT基准测试中实现或超越最佳已知结果，尤其是在随机图与环面图上？
• RQ5 随着并行模拟块数量的增加，该算法的可扩展性如何？其性能的最优配置是什么？

主要发现

• 在100自旋伊辛系统中，MARS在50,000次模拟下用时14小时15分钟，达到基态能量 $-33311$，在解决方案质量与速度上均优于SA、NMFA与SimCIM。
• 对于同一系统，成功概率为 $P = 2 \times 10^{-5}$，命中次数为1，表明其能稳定收敛至高质量解。
• 在G-set的MAX-CUT实例中，MARS在无权随机图与具有随机边权的环面网格图上，匹配或略微超越了最佳已知结果。
• 对于“近平面”图族，MARS性能与最佳已知算法相当，但计算时间显著减少。
• 参数敏感性分析表明，最优的 $T_{\text{min}}$ 与 $T_{\text{max}}$ 值对解的质量与接受概率有显著影响。
• 由于低成本运行的高效并行化，MARS在所有基线算法（SA、NMFA、SimCIM）中均表现出色，即使在小样本规模下，其最佳切割估计与计算时间也全面领先。