Machine Learning-assisted High-speed Combinatorial Optimization with Ising Machines for Dynamically Changing Problems
作者: Yohei Hamakawa, Tomoya Kashimata, Masaya Yamasaki, Kosuke Tatsumura
发布时间: 2025-04-02
来源: arxiv
研究方向: 量子计算与机器学习辅助的高速组合优化
主要内容
本文研究了利用嵌入式的Ising机器解决动态变化问题的组合优化方法，通过压缩Ising模型和加速计算，结合机器学习模型估计参数，实现高速、无需运行时参数调整的组合优化。
主要贡献
1. 提出了一种基于嵌入Ising机器的低延迟组合优化方法，能够解决多种问题。
2. 定制了模拟分叉Ising机器的算法和电路架构，以压缩Ising模型并加速计算。
3. 构建了机器学习模型，使用大量训练数据估计适当的参数。
4. 在TDMA调度中，证明了该方法能够适应问题变化，并具有比传统方法更快的速度优势。
研究方法
1. 模拟分叉算法（SB）
2. 索引快速计算架构
3. 机器学习参数估计模型
4. 批量映射机制
5. Ising机器选择机制
实验结果
在TDMA调度中，与传统的MIS求解器相比，该方法在计算时间和求解精度方面都表现出优势，证明了其在速度和求解精度方面的优势。
未来工作
进一步研究机器学习模型的通用设计，扩展该方法到更多应用领域，如金融、汽车和机器人等实时应用。