Fast-Converging Simulated Annealing for Ising Models Based on Integral Stochastic Computing
Fast-Converging Simulated Annealing for Ising Models Based on Integral Stochastic Computing
复制标题
基于积分随机计算的Ising模型快速收敛模拟退火
DOI：
10.1109/tnnls.2022.3159713
复制
发表时间：
2022
影响因子：
10.4
通讯作者：
Hanyu Takahiro
中科院分区：
文献类型：
--
作者：
Onizawa Naoya;Katsuki Kota;Shin Duckgyu;Gross Warren J.;Hanyu Takahiro
概率比特（p-bits）最近被提出作为伊辛模型模拟退火（SA）的自旋（基本计算元素）。本文介绍了一种基于积分随机计算的p位快速收敛算法。随机实现近似于p位函数，它可以在比常规p位更低的能量下搜索组合优化问题的解。在全局最小能量周围搜索可以增加找到解的概率。针对旅行商、最大切割（MAX-CUT）和图同构（GI）问题，将本文提出的基于随机计算的情景分析方法与传统情景分析和量子退火（QA）方法进行了比较。该方法的收敛速度比其他方法快几个数量级，同时处理的自旋数比其他方法大几个数量级。
Probabilistic bits (p-bits) have recently been presented as a spin (basic computing element) for the simulated annealing (SA) of Ising models. In this brief, we introduce fast-converging SA based on p-bits designed using integral stochastic computing. The stochastic implementation approximates a p-bit function, which can search for a solution to a combinatorial optimization problem at lower energy than conventional p-bits. Searching around the global minimum energy can increase the probability of finding a solution. The proposed stochastic computing-based SA method is compared with conventional SA and quantum annealing (QA) with a D-Wave Two quantum annealer on the traveling salesman, maximum cut (MAX-CUT), and graph isomorphism (GI) problems. The proposed method achieves a convergence speed a few orders of magnitude faster while dealing with an order of magnitude larger number of spins than the other methods.
登录
查看更多内容
DOI：
10.1109/ieeeconf44664.2019.9048700
发表时间：
2019-11
期刊：
2019 53rd Asilomar Conference on Signals, Systems, and Computers
影响因子：
--
作者：
N. Onizawa;Kaito Nishino;S. C. Smithson;B. Meyer;W. Gross;Hitoshi Yamagata;Hiroyuki Fujita;T. Hanyu
通讯作者：
N. Onizawa;Kaito Nishino;S. C. Smithson;B. Meyer;W. Gross;Hitoshi Yamagata;Hiroyuki Fujita;T. Hanyu
DOI：
10.1109/tnnls.2018.2874565
发表时间：
2019-06-01
影响因子：
10.4
作者：
Pervaiz, Ahmed Zeeshan;Sutton, Brian M.;Camsari, Kerem Y.
通讯作者：
Camsari, Kerem Y.
影响因子：
5.4
作者：
Liu, Yin;Parhi, Keshab K.
通讯作者：
Parhi, Keshab K.
影响因子：
2.9
作者：
Biamonte, J. D.
通讯作者：
Biamonte, J. D.
使用随机电路的梯度下降来有效训练学习机
DOI：
--
发表时间：
2018
影响因子：
2.9
作者：
Siting Liu;Honglan Jiang;Leibo Liu;Jie Han
通讯作者：
Jie Han