BRAIN: Reinforcement Learning steigert Zuverlässigkeit analoger Ising‑Maschinen

Analog Ising Machines (AIMs) gelten als vielversprechende Plattformen für kombinatorische Optimierung, weil sie physikalische Dynamiken nutzen, um Ising‑Probleme mit hoher Energieeffizienz zu lösen. In der Praxis wird die Leistung dieser Geräte jedoch häufig durch inhärente Messrauschen begrenzt, die die Genauigkeit der Ergebnisse stark beeinträchtigen.

In der neuen Arbeit auf arXiv (2602.09162v1) stellen die Autoren BRAIN vor – ein Framework namens „Boltzmann Reinforcement for Analog Ising Networks“. BRAIN kombiniert variationales Reinforcement Learning mit der Approximation der Boltzmann‑Verteilung und wechselt damit von der herkömmlichen stufenweisen Stichprobe zu einer Aggregation von Informationen über mehrere verrauschte Messungen hinweg. Dadurch wird das Verfahren gegen das typische Gaußsche Rauschen, das bei AIMs auftritt, robust.

Die Leistung von BRAIN wurde an verschiedenen kombinatorischen Topologien getestet, darunter das Curie‑Weiss‑Modell und 2‑D‑Ising‑Netze mit Nachbarschaftsinteraktionen. Unter realistischen 3 % Gauß‑Rauschen erreichte BRAIN eine Grundzustands‑Fidelität von 98 %, während klassische Markov‑Chain‑Monte‑Carlo‑Methoden nur 51 % erreichten. Darüber hinaus löste BRAIN die gleichen Aufgaben bis zu 192‑mal schneller als MCMC. Die Skalierung von BRAIN folgt einer O(N¹·⁵⁵)-Komplexität bis zu 65 536 Spins, was eine enorme Effizienzsteigerung gegenüber herkömmlichen Ansätzen bedeutet.

Ein weiterer entscheidender Vorteil ist die Robustheit gegenüber starkem Messrauschen: BRAIN bleibt bei bis zu 40 % Rauschen stabil und kann gleichzeitig thermodynamische Phasenübergänge sowie metastabile Zustände exakt erfassen. Diese Eigenschaften machen BRAIN zu einer skalierbaren und rauschresistenten Methode, um analoge Rechenarchitekturen in komplexen Optimierungsaufgaben einzusetzen.