使用深度学习求解玻尔兹曼优化问题
机器学习
2024-02-01 v1 新兴技术
最优化与控制
摘要
数十年来高性能计算（HPC）效率的指数级增长正在走向终点。基于晶体管的逻辑在补齐金属-氧化物半导体（CMOS）技术中正在接近物理极限，超出该极限后将不可能继续 miniaturization。未来的HPC效率提升必然依赖于新的技术和计算范式。伊辛模型在高度能效计算方面显示出特殊的前景。伊辛系统能够在计算能耗接近热力学极限的情况下运行。伊辛系统既可以作为逻辑也可以作为存储。因此，它们有望通过消除CMOS计算中昂贵数据移动，显著降低能源成本。创建基于伊辛的硬件的挑战在于优化产生正确结果的有用电路，这些电路在根本上非确定性的硬件上运行。本文的贡献是一种新颖的机器学习方法，将深度神经网络和随机森林结合，用于高效地解决最小化伊辛模型中误差来源的优化问题。此外，我们提供了将玻尔兹曼概率优化问题表示为监督式机器学习问题的过程。
引用
@article{arxiv.2401.17408,
title = {Solving Boltzmann Optimization Problems with Deep Learning},
author = {Fiona Knoll and John T. Daly and Jess J. Meyer},
journal= {arXiv preprint arXiv:2401.17408},
year = {2024}
}