論文の概要: Probabilistic Algorithms for Ising Machines from Optimization to Generative AI

• arxiv url: http://arxiv.org/abs/2610.03972v1
• Date: Fri, 02 Oct 2026 19:30:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:05:04.497295
• Title: Probabilistic Algorithms for Ising Machines from Optimization to Generative AI
• Title（参考訳）: 最適化から生成AIへのイジングマシンの確率的アルゴリズム
• Abstract要約: レビュー:多様なIsingプラットフォーム間のポータビリティのために設計された確率論的アルゴリズム。 本稿では,QAOAの古典的アナログである確率近似最適化アルゴリズム(PAOA)について述べる。 我々は次世代Isingマシンの機能と採用を加速するための共同設計フレームワークの概要を述べる。
• 参考スコア（独自算出の注目度）: 1.0380813051376974
• License:
• Abstract: Ising machines have emerged as promising hardware accelerators for intractable optimization and sampling problems, yet their practical impact increasingly hinges on the co-design of algorithms and hardware, where algorithmic demands shape new architectures and new hardware capabilities inspire entirely new algorithms. In this Review, we survey probabilistic algorithms designed for portability across diverse Ising platforms, advocating a top-down perspective that prioritizes principled methods with provable guarantees. We cover foundational methods such as simulated annealing and parallel tempering, including two-dimensional extensions that natively encode hard constraints, and examine approaches that expand the scale of solvable problems from cluster mean-field methods to variational samplers. We highlight the Probabilistic Approximate Optimization Algorithm (PAOA), a classical analog of QAOA that emerged directly from probabilistic hardware development, and explore how generative AI and Ising machines might reinforce each other: learned models propose global moves to accelerate optimization, while probabilistic techniques improve inference in large language models. Much as quantum computing has seen algorithms co-evolve with hardware, probabilistic and Ising computing stand at a similar inflection point. We outline a co-design framework for accelerating the capabilities and adoption of next-generation Ising machines.
• Abstract（参考訳）: Ising Machineは、難解な最適化とサンプリング問題のための有望なハードウェアアクセラレータとして登場したが、アルゴリズムとハードウェアの共同設計に、その実践的影響がますます強くなっている。 本稿では,多種多様なIsingプラットフォーム間のポータビリティを実現するために設計された確率論的アルゴリズムについて検討する。 本稿では, 難易度制約をネイティブにエンコードする2次元拡張を含む, シミュレーションアニーリングや並列テンパリングなどの基礎的手法を取り上げ, クラスター平均場法から変分サンプリングまで, 解決可能な問題のスケールを拡大するアプローチについて検討する。 我々は、確率的ハードウェア開発から直接現れたQAOAの古典的なアナログである確率的近似最適化アルゴリズム(PAOA)を強調し、生成的AIとIsingマシンが相互に強化する方法について考察する。 量子コンピューティングがハードウェアと共進化するアルゴリズムを見てきたように、確率コンピューティングとイジングコンピューティングも同様の屈折点に立っている。 我々は次世代Isingマシンの機能と採用を加速するための共同設計フレームワークの概要を述べる。

関連論文リスト

• A Tool for the Synthesis of Adaptive Probabilistic Processors Based on the Ising Model [0.0]
  提案手法はIsing Hamiltonianを自動構築し、サイズや位相といった問題特性に基づいて確率的要素の数(p-bits)を決定する。 このツールは、Gibbs Sampling、Simulated Quantum Annealing (SA)、Simulated Quantum Annealing (SQA)、クラスタベースのメソッドの中で、最も適切な更新アルゴリズムを選択するための適応戦略を導入する。
  論文  参考訳（メタデータ） (2026-06-17T19:27:30Z)
• Direct comparison of stochastic driven nonlinear dynamical systems for combinatorial optimization [0.669087470775851]
  組合せ最適化問題は、産業応用において至るところに存在している。 過去数十年間、Isingタイプの問題解決ツールの開発に精力的に取り組んできた。 量子システムと古典システムの制御と操作の最近の進歩は、新しい計算パラダイムを可能にしている。
  論文  参考訳（メタデータ） (2025-03-19T17:08:55Z)
• Evolving Hard Maximum Cut Instances for Quantum Approximate Optimization Algorithms [11.930061411630442]
  Recursive Quantum Approximate Optimization Algorithm (RQAOA) などの変分量子アルゴリズムが普及している。 本研究では、ユニークなフィットネス機能を備えた進化的アルゴリズムを用いる。 このアプローチは、グラフオートエンコーダの潜在空間内のハード最大カットインスタンスをターゲットにしている。
  論文  参考訳（メタデータ） (2025-01-30T14:32:06Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
  バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。 既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。 本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
  論文  参考訳（メタデータ） (2021-10-13T19:36:50Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。