Ising Machines for Diophantine Problems in Physics
PulseAugur coverage of Ising Machines for Diophantine Problems in Physics — every cluster mentioning Ising Machines for Diophantine Problems in Physics across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
New FMQA framework uses stage-dependent encoding for black-box optimization
研究人员开发了一种用于因子分解机二次优化退火（FMQA）的阶段相关框架，以改进黑盒优化。这种新方法允许在代理学习阶段和伊辛机解搜索阶段使用不同的整数-二进制编码，解决了传统FMQA在整个过程中使用单一编码的局限性。所提出的框架在Rastrigin函数上进行了评估，结果表明独热编码对于学习阶段的性能至关重要，始终产生较低的残差误差。在更精细的离散化级别下，通过切换到域壁编码进行解搜索阶段，观察到了进一步的改进。
-
新方法使用Ising Machines训练基于能量的神经网络
研究人员开发了一种通过混合平衡传播（Equilibrium Propagation）与Ising Machines来训练基于能量的神经网络的新方法。该方法旨在通过修改神经网络状态的物理动力学来克服基于GPU的传统训练的能量需求并提高收敛性。新框架在各种数据集上展示了与反向传播（backpropagation）相当的性能，并为更节能的AI硬件指明了方向。
-
Adam优化算法适配模拟伊辛机
研究人员为模拟伊辛机开发了Adam优化算法的连续时间版本。这些新动力学旨在提高这些机器的速度和鲁棒性，它们被用于解决复杂的优化问题。在最大割问题上的基准测试表明，与传统的梯度下降方法相比，基于Adam的动力学显著减少了寻找解决方案所需的时间并提高了解决方案的质量。