چرخش چند چرخشی و مسیری برای ماشین‌های کارآمد – ScienceDaily


مسائل بهینه سازی ترکیبی ریشه بسیاری از فرآیندهای صنعتی است و حل آنها کلیدی برای آینده ای پایدارتر و کارآمدتر است. ماشین‌های آیزینگ می‌توانند مشکلات بهینه‌سازی ترکیبی خاصی را حل کنند، اما کارایی آنها را می‌توان با چرخش‌های چند چرخشی بهبود بخشید. محققان اکنون با توسعه یک الگوریتم ادغام که یک تلنگر چند چرخشی را به عنوان یک چرخش ساده‌تر و تک اسپین مبدل می‌کند، با این مشکل دشوار مقابله کرده‌اند. این فناوری راه حل های بهینه ای را برای مسائل سخت محاسباتی در زمان کوتاه تری ارائه می دهد.

در دنیایی که به سرعت در حال توسعه است، صنایع همواره در تلاش هستند تا عملیات و منابع خود را بهینه کنند. بهینه‌سازی ترکیبی با استفاده از ماشین Ising به حل مشکلات عملیاتی خاصی مانند نقشه‌برداری کارآمدترین مسیر برای یک تور چند شهر یا بهینه‌سازی تحویل منابع کمک می‌کند. ماشین های آیزینگ با نگاشت فضای راه حل به فضای پیکربندی اسپین و حل مشکل اسپین مرتبط به جای آن عمل می کنند. این ماشین‌ها طیف گسترده‌ای از کاربردها در دانشگاه و صنعت دارند و مشکلاتی را در یادگیری ماشین، طراحی مواد، بهینه‌سازی پورتفولیو، تدارکات و کشف دارو حل می‌کنند. با این حال، برای مشکلات بزرگ‌تر، دستیابی به راه‌حل بهینه در مدت زمان ممکن دشوار است.

در حال حاضر، در حالی که ماشین های Ising را می توان با ادغام چرخش های چند چرخشی در سخت افزار آنها بهینه کرد، این یک کار چالش برانگیز است زیرا اساساً به معنای بازنگری کامل نرم افزار ماشین های Ising سنتی با تغییر عملکرد اساسی آنها است. اما تیمی از محققان دپارتمان علوم کامپیوتر و مهندسی ارتباطات، دانشگاه Waseda – متشکل از استادیار Tatsuhiko Shirai و پروفسور Nozomu Togawa – راه حل جدیدی برای این مشکل طولانی مدت ارائه کرده اند.

در مقاله خود که در IEEE Transactions on Computerson در 27 مه 2022 منتشر شد، آنها با تغییر شکل همیلتونی (که تابع انرژی مدل Ising است) یک الگوریتم فلیپ چند چرخشی عملی را مهندسی کردند. ما یک الگوریتم ترکیبی ایجاد کرده‌ایم که یک تلنگر چند اسپین غیرقابل اجرا را می‌گیرد و به جای آن آن را به شکل یک چرخش تک چرخی عملی بیان می‌کند. این الگوریتم همراه با فرآیند ادغام ما پیشنهاد شده است که در آن همیلتونی اصلی یک مسئله ترکیبی دشوار است. تاتسوهیکو شیرای توضیح می‌دهد که به یک همیلتونی جدید تغییر شکل می‌دهد، مشکلی که سخت‌افزار ماشین سنتی آی‌زینگ می‌تواند آن را به راحتی حل کند.

فرآیندهای Ising هیبریدی جدید کاملاً با روش‌ها و سخت‌افزار فعلی سازگار هستند و چالش‌های مربوط به کاربرد گسترده آنها را کاهش می‌دهند. می‌گوید: “ما فرآیند ادغام ترکیبی را برای چندین مثال رایج از مسائل دشوار بهینه‌سازی ترکیبی به کار بردیم. الگوریتم ما عملکرد برتر را در همه موارد نشان می‌دهد. انرژی باقیمانده را کاهش می‌دهد و در زمان کوتاه‌تری به نتایج بهینه‌تر می‌رسد – این واقعا یک برد-برد است.” نوزومو توگاوا.

کار آنها به صنایع این امکان را می دهد که مسائل پیچیده جدید بهینه سازی را حل کنند و به مقابله با مسائل مرتبط با تغییرات آب و هوایی مانند افزایش تقاضای انرژی، کمبود مواد غذایی و تحقق اهداف توسعه پایدار (SDGs) کمک کنند. Tatsuhiko Shirai می‌افزاید: «برای مثال، ما می‌توانیم از این برای بهینه‌سازی مشکلات برنامه‌ریزی حمل و نقل و تحویل در صنایع برای افزایش کارایی آنها و در عین حال کاهش انتشار دی اکسید کربن استفاده کنیم.

این فناوری جدید به طور مستقیم تعداد برنامه هایی را افزایش می دهد که در آن دستگاه Ising می تواند به طور عملی برای تولید راه حل استفاده شود. در نتیجه، روش ماشین Ising را می توان به طور فزاینده ای در سراسر یادگیری ماشین و علم بهینه سازی استفاده کرد. فن آوری این تیم نه تنها عملکرد ماشین های Ising موجود را بهبود می بخشد، بلکه طرحی برای توسعه معماری جدید ماشین Ising در آینده نزدیک ارائه می دهد. با الگوریتم ادغام که ماشین‌های Ising را به سمت سرزمین‌های جدید ناشناخته هدایت می‌کند، آینده بهینه‌سازی و در نتیجه شیوه‌های پایداری روشن به نظر می‌رسد.

منبع داستان:

مواد تهیه شده توسط دانشگاه واسدا. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]