MétaCan
Menu
Retour à la cohorte
Enregistrement W4410738006 · doi:10.1109/tnano.2025.3571388

QSBMs: Lightweight Quantized Simulated Bifurcation Ising Machines

2025· article· en· W4410738006 sur OpenAlexafffund
Tingting Zhang, Jie Han

Notice bibliographique

RevueIEEE Transactions on Nanotechnology · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Semiconductor Devices and Circuit Design
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlberta InnovatesUniversity of Alberta
Mots-clésBifurcationIsing modelComputer sciencePhysicsStatistical physicsControl theory (sociology)MathematicsArtificial intelligenceNonlinear systemQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

Ising machines have shown great potential as efficient domain-specific accelerators for solving combinatorial optimization problems (COPs). Derived from quantum mechanics, simulated bifurcation (SB) achieves massive parallelism in updating the spin states in an Ising machine. Although SB speeds up the search for a solution compared to traditional simulated annealing, it requires more hardware resources since continuous variables are used for the positions of oscillators to obtain discrete spin states. In this article, lightweight quantized SB Ising machines (QSBMs) are developed to achieve a better tradeoff between search performance and hardware efficiency. In various quantization schemes, ternary and multiple-value quantized SB (qSB) algorithms discretize the position variables for the multiply-and-accumulate (MAC) operations in SB. The ternary qSB with dynamic threshold settings converts the MAC into addition, while uniform and logarithmic quantization schemes improve precision in the number representation when solving large-scale COPs. Three hardware-efficient QSBMs are subsequently designed with a fully connected topology. Synthesized on a Xilinx Virtex UltraScale+ field-programmable gate array (FPGA), the costly multiplication is implemented by using simple logic operators. Fully connected 2048-spin QSBMs use up to 50.8% fewer lookup tables and up to 82.5% fewer flip-flops than conventional FPGA-based SB machines. The QSBMs are superior in both long and short searches, respectively reaching 99. 1% and 98.5% of the best known solution in 1.46 <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$ms$</tex-math></inline-formula> and 0.73 <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$ms$</tex-math></inline-formula> on solving 2000-spin Ising problems.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,859
Score d'incertitude au seuil0,887

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,010
Tête enseignante GPT0,248
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on NanotechnologyMême sujetAdvancements in Semiconductor Devices and Circuit DesignTravaux en français237 207