玻尔百科世界上许多最困难的计算挑战，从发现新药到优化物流网络，都有一个共同的结构：它们是组合优化问题，可能解的数量惊人。传统计算机难以应对这种复杂性，常常无法在实际的时间内找到最优解。本文探讨了一种受物理学启发的全新替代方案：伊辛机。我们将深入研究一个简单的磁学模型——伊辛模型，如何为构建这些棘手问题提供一种通用语言。
第一章“原理与机制”将揭示伊辛模型的核心概念、退火过程，以及巧妙地在物理上体现这些原理以寻找解决方案的硬件——例如量子退火器和相干伊辛机。第二章“应用与跨学科联系”将通过探索其在材料科学和受大脑启发的人工智能等不同领域的应用，揭示这种方法的变革性力量。读完本文，您将理解如何利用自然界的基本法则来执行强大的计算，将物理系统转变为专门解决问题的工具。
{'j': [{}, {}], '#text': '## 原理与机制\n\n在我们这个世界上，许多令人困惑的复杂问题的核心——从设计新药分子到规划车队最高效的送货路线——都蕴含着一个惊人地简单而优雅的思想。这个思想借鉴自物理学，源于对磁体的研究，但其影响范围远不止于此。这就是伊辛模型，理解它，是我们理解以它为蓝本构建的机器的第一步。\n\n### 问题的核心：一个只有两种思想的世界\n\n想象一个大房间里坐满了人，每个人对于一个给定的议题只能持有两种可能的观点之一——明确的“同意”或“反对”。我们可以将这些观点标记为 和 。用物理学的语言来说，每个人都是一个自旋，一个极其简单的实体，只能“向上” () 或“向下” ()。\n\n这些人并非孤立存在，他们会相互影响。某些人是朋友，倾向于意见一致。如果 和 是朋友，当他们的意见相同时，两人都会感到更满意。我们可以用一个数字，即耦合常数 ，来表示这种关系。如果 是正数，这就是一个“铁磁性”键；他们希望保持一致。如果 是负数，这就是一个“反铁磁性”键；他们是对手，倾向于意见相左。他们之间友谊或敌对的强度由 的大小决定。\n\n此外，某些个体可能会有个人偏好，可能来自外部广告或某种根深蒂固的信念。这是一种外场 ，它会推动自旋 趋向 或 ，而不管其邻居如何。\n\n整个房间的总“不适度”或“能量”可以用一个方程写出，这就是著名的伊辛哈密顿量：\n\n$$\nE(\mathbf{s}) = - \sum_{i'"}
在了解了伊辛模型的基本原理之后，您脑海中可能会浮现出一个相当整洁（尽管抽象）的物理系统画面——一个由自旋构成的整齐格点，它们上下翻转，试图与邻居达成和谐。这是一个优美的理论乐园。但它到底有何用处？这是一个很合理的问题，而答案却出人意料地广泛。伊辛模型及其物理实现的机器，其真正威力并不在于其最初在磁学中的应用，而在于它能够作为一种通用语言，描述一大类表面上与磁体毫无关系的问题。
科学与工程领域中许多最具挑战性的难题——从设计新药和新材料到优化全球供应链——都可以归结为一个统一的任务：从令人眼花缭乱的可能性中找到最佳排列组合。这就是*组合优化*的范畴。在这些问题中，我们可以为每一种可能的配置定义一个“成本”，或者用更物理的术语来说，一个“能量”。目标陈述起来很简单，但实现起来却异常困难：找到具有最低可能能量的配置。
这正是伊辛机登场之处。它是一台宏伟的模拟计算设备。我们可以把它想象成一位能量景观的雕塑大师。为了解决问题，我们不需要为数字计算机编写一长串指令。相反，我们将问题转化为伊辛模型的语言。我们精心定义相互作用（）和局部场（），以雕塑出一个由山丘和山谷构成的特定景观，其中任何一点的高度都对应于该特定配置的“成本”。一旦景观雕刻完成，伊辛机就让自然法则发挥作用。它使其自旋集合自然地寻找最低的山谷——即基态——从而揭示我们原始问题的最优解。让我们来探索几个这样的景观。
想象一下，拥有一种力量，可以在计算机中设计出具有无与伦比强度的新合金，或具有革命性电子特性的新型半导体，而这一切都远在任何一个原子在熔炉中被熔炼之前。这就是计算材料科学的前景，该领域依赖于理解和预测材料的微观结构——即决定材料宏观属性的、由晶粒构成的复杂微观织体。
为了分析或设计一种材料，科学家们通常从其微观结构图像入手，该图像看起来像一幅复杂的马赛克。一项关键任务是分割此图像，正确识别不同晶粒之间的边界。可以把它想象成一个极其复杂的填色本问题，每个晶粒都必须用代表其特定晶体取向的独一颜色填充。一个“好”的填色方案是，同一晶粒内的像素颜色相同，且颜色之间的边界与真实的晶粒边界相匹配。
我们如何教计算机做到这一点？我们可以将问题转化为对低能量的追求。我们可以为任何提议的填色方案分配一个能量成本。例如，我们可以规定，两个相邻像素颜色不同会贡献一定量的“边界能量”。一个糟糕的、到处都是杂乱色块的填色方案，其总能量会非常高。一个好的、将图像整齐地划分为均匀区域的填色方案，其能量会低得多。我们的目标是找到能量最低的填色方案。
这恰恰是伊辛模型结构大显身手的地方。我们可以将每个像素表示为一个“自旋”，它可以存在于多个状态之一，每个状态对应一种可能的晶体取向。这种对双态（上/下）伊辛模型的推广被称为Potts 模型。然后，根据两个相邻像素自旋的状态（取向）是否相同来定义它们之间的相互作用能。例如，一个边界的能量成本甚至可能取决于它所分隔的两个晶粒的具体取向。通过将这些相互作用规则编程到伊辛机中，识别材料中晶粒结构的问题就转化为寻找一个复杂磁体基态的问题。这台机器对“晶体”或“晶粒”等概念一无所知，它只是稳定在自己的最低能量状态，并在此过程中，为我们返回一幅完美分割的材料微观结构图像。这种优美的转换为统计物理学定律在计算机视觉领域执行任务并指导未来材料的设计提供了可能。
从无生命的物质世界，让我们转向一个最深刻的挑战：理解活生生的、会思考的大脑。大脑是一个奇迹，它以惊人的效率执行复杂的计算。这启发了神经形态计算领域，其目标不仅是在数字计算机上模拟大脑，更是要构建基于相同原理运行的物理硬件。
大脑的关键功能之一似乎是其在充满不确定性的世界中导航的能力。当我们做出决定时，我们并不总是计算出一个唯一的、确定性的“正确”答案。相反，我们权衡各种可能性，考虑可能的结果和合理的解释。这个过程类似于从一个概率分布中采样——我们生成可能的假设，而不仅仅是找到一个单一的最优解。
在这里，伊辛模型的物理学再次提供了非凡的洞见。伊辛系统的平衡态由玻尔兹曼分布描述，即 ，其中能量 较低的状态出现的概率呈指数级增高。如果我们能构建一个物理系统，其“能量函数” 代表了我们想要解决的问题的结构，那会怎样？这样一个系统的自然涨落就会自动从相应的概率分布中生成样本，优先探索低能量、高概率的解。
这正是某些神经形态采样器背后的思想。研究人员已经证明，可以构建一个由人工脉冲神经元组成的网络，其中神经元之间的突触连接 () 编码了问题的能量函数。这个网络固有的随机动态——其神经元看似随机的发放——导致系统以一种在数学上等同于著名采样算法（如吉布斯采样或朗之万动力学）的方式演化。
其意义是深远的。在这样的设备中，计算不再是操纵1和0的抽象过程。系统的物理演化本身就是计算。这个网络不是在计算概率；它每时每刻的状态就是那个概率分布的物理体现。它通过稳定到一个动态平衡状态来进行“思考”，不断探索由其连接所定义的可能性景观。这在统计物理学、计算神经科学和人工智能的未来之间建立了一个深刻而有力的联系，表明通往真正智能机器的道路可能在于利用物理定律本身内嵌的计算能力。
在本章即将结束之际，一个中心主题浮现出来：物理类比的非凡、近乎神奇的力量。我们从一个物理磁体的简单模型开始。现在我们已经看到，这一个思想如何成为一块“罗塞塔石碑”，让我们能够将来自不同领域——材料科学、计算机视觉、神经科学和人工智能——的问题翻译成一种关于能量和相互作用的通用语言。
伊辛机是这一原理的终极物理实现。它不关心其自旋代表的是原子的磁排列、像素的晶体取向，还是神经元的发放状态。它只是提供了一个物理舞台，一旦问题被转化为能量景观，就可以根据自然界的基本规则在其上展开。宇宙似乎偏爱寻找低能状态，而伊辛机正是我们巧妙利用这一趋势来解决我们自己复杂难题的方式。
这段从简单自旋模型到类脑计算机的旅程，揭示了科学世界观中深层次的统一性。它向我们展示，相同的基本原理既可以在冷却金属的有序化过程中起作用，也可以在思维机器的计算架构中发挥作用。对伊辛机的持续探索不仅仅是为了追求更快的计算速度；它证明了一个事实：我们对宇宙基本定律了解得越深入，就越能有力地利用它们。