NeuroSA: когда компьютер мыслит как мозг, невозможное становится возможным

Исследователи представили нейроморфную архитектуру NeuroSA, которая впервые обеспечивает асимптотическую сходимость к основному состоянию задачи Изинга — фундаментальной задачи комбинаторной оптимизации, тесно связанной с QUBO-моделями и такими задачами, как MAX-CUT и Max Independent Set. В отличие от других нейроморфных решений, NeuroSA использует физически обоснованный процесс уравнения Фаулера–Нордгейма (FN), чтобы имитировать динамику оптимального симулированного отжига (SA). Это позволяет не просто находить приближённые решения, а систематически приближаться к глобальному оптимуму — даже без подбора гиперпараметров под конкретный граф.

В центре архитектуры — пары асинхронных нейронов ON–OFF, которые моделируют бинарные переменные системы. Каждый нейрон регулируется адаптивным порогом, генерируемым FN-отжигом — процессом, в котором физическая или симулированная стохастическая динамика туннельного тока управляет вероятностью "всплеска" или активации нейрона. Это обеспечивает условия, аналогичные критериям приёма в классическом SA, включая непрерывное исследование пространства решений даже в условиях "замерзания" (низкой температуры), когда большинство других алгоритмов застревают в локальных минимумах.

В экспериментах NeuroSA показала выдающиеся результаты: на задачах MAX-CUT с графами до 10 000 вершин архитектура стабильно находила решения в пределах 99% от SOTA (текущего уровня лучших решений) или превосходила их. Особенно впечатляющими оказались результаты на задачах Max Independent Set, где NeuroSA регулярно улучшала SOTA без какой-либо ручной настройки. Для решения задач использовалась как программная реализация на CPU, так и аппаратная — на нейроморфной платформе SpiNNaker2 . В обоих случаях фиксировалась высокая эффективность, но на SpiNNaker2 также удалось достичь значительного выигрыша по энергопотреблению.

Важно, что NeuroSA может запускать несколько параллельных экземпляров, каждый из которых ищет решение независимо. Это не только ускоряет сходимость, но и повышает вероятность выхода к лучшему решению, что особенно важно для задач высокой сложности, где цена за единичное улучшение может стремительно расти. При этом нейроморфный подход обеспечивает уникальную устойчивость к ошибкам маршрутизации, потере спайков и другим артефактам, что делает NeuroSA практичным кандидатом на масштабирование.

Технически архитектура использует нейроны, моделирующие так называемые «интегрирующие и срабатывающие» элементы. Каждая пара ON–OFF динамически регулируется за счёт порога, полученного в результате FN-отжига, включающего экспоненциально распределённый шум и случайность на основе Бернулли. Это обеспечивает асинхронность, эргодичность и выполнение условий SA, включая гарантии сходимости к глобальному минимуму при достаточно длительном времени работы.

Исследователи подчёркивают, что даже при относительно коротких запусках NeuroSA стабильно генерирует распределения решений, сосредоточенные вокруг лучших известных, а при длительных запусках — способен открыть ранее неизвестные решения. Ключевая особенность — возможность использовать NeuroSA не только как быстрый решатель, но и как инструмент открытий: исследование новых конфигураций в сложных задачах, где даже единичное улучшение — ценность.

Архитектура NeuroSA уже реализована на существующих нейроморфных чипах и может масштабироваться для задач любого размера. Это делает её не только теоретически привлекательной, но и практичным решением, готовым к применению в задачах логистики, маршрутизации, схемной оптимизации, анализа социальных и биологических сетей.

Результаты открывают путь к следующему поколению вычислений, где физическая стохастика и искусственные нейроны объединяются для поиска решений в задачах, ранее считавшихся неразрешимыми. NeuroSA не просто ещё одна система оптимизации — это шаг к нейровычислительной технике, способной интуитивно исследовать энергетический ландшафт NP-полных задач.