通过展开和零阶训练的神经伊辛机
机器学习
2026-02-03 v1 无序系统与神经网络
混沌动力学
摘要
我们提出了一种数据驱动的启发式方法，用于解决NP难的伊辛问题和Max-Cut优化，通过学习迭代动力系统的更新规则。该方法学习共享的、节点级的更新规则，将局部相互作用场映射到自旋更新，参数化为具有小参数数量的紧凑型多层感知器。训练使用零阶优化器进行，因为通过长时间的循环伊辛机动力学导致梯度不稳定且信息不足。我们称此方法为神经网络参数化伊辛机（NPIM）。尽管其低参数数量，所学习的动力学仍能恢复有效的算法结构，包括类动量行为和时变schedule，使其能够在高度非凸的能量景观中进行高效搜索。跨标准伊辛问题和神经组合优化基准，NPIM在最新学习方法和强大的经典伊辛机启发式方法之间，实现了有竞争力的解质量和求解时间。
引用
@article{arxiv.2602.00302,
title = {Neural Ising Machines via Unrolling and Zeroth-Order Training},
author = {Sam Reifenstein and Timothee Leleu},
journal= {arXiv preprint arXiv:2602.00302},
year = {2026}
}