Boltzmann 强化学习：用于模拟 Ising 机器的噪声鲁棒性
机器学习
2026-02-11 v1 材料科学
摘要
模拟 Ising 机器（AIMs）已成为解决 Ising 问题的有前景范例，利用物理动力学在高能效下求解 Ising 问题。然而，传统优化和抽样算法在这些平台上往往受限于固有的测量噪声。我们引入 BRAIN（Boltzmann Reinforcement for Analog Ising Networks），一种分布学习框架，利用变分强化学习来近似 Boltzmann 分布。通过从基于状态的抽样转向跨多个噪声测量的聚合信息，BRAIN 对 AIMs 特有的高斯噪声具有鲁棒性。我们在多样化的组合拓扑结构上评估了 BRAIN，包括 Curie-Weiss 和 2D 最近邻 Ising 系统。我们发现，在真实的 3% 高斯测量噪声下，BRAIN 保持 98% 的基态保真度，而蒙特卡洛链采样（MCMC）方法 degrades 至 51% 保真度。此外，在此条件下，BRAIN 达到 MCMC 相当解的速度可快达 192 倍。BRAIN 在 65,536 个自旋范围内表现出 的扩展规模，并对最高可达 40% 的严重测量不确定性保持鲁棒性。除了基态优化之外，BRAIN 还准确捕捉热力学相变和 metastable 状态，提供了一种可扩展且抗噪声的方法，可用于复杂优化中的类比计算架构。
引用
@article{arxiv.2602.09162,
title = {Boltzmann Reinforcement Learning for Noise resilience in Analog Ising Machines},
author = {Aditya Choudhary and Saaketh Desai and Prasad Iyer},
journal= {arXiv preprint arXiv:2602.09162},
year = {2026}
}