ईज़िंग ऑप्टिकल मशीन के रूप में जाना जाने वाला एक अजीब उपकरण वायु यातायात को नियंत्रित करने और एनएफएल शेड्यूल गेम्स की मदद करने में सक्षम है।
पिछले साल, अमेरिकन एयरलाइंस के कर्मचारियों के बीच वितरण प्रणाली में विफलता से छुट्टियों के मौसम के दौरान
हजारों उड़ानों की अनुसूची में व्यवधान हो सकता है। इस गलती ने पायलटों को दूसरे पायलट द्वारा प्रतिस्थापित किए बिना उड़ानों को मना करने की अनुमति दी, और लगभग 15,000 उड़ानों को धमकी दी गई। और यद्यपि एयरलाइन समय में समस्या को ट्रैक करने और
कर्मचारियों को वितरित करने में कामयाब रही, लेकिन यह गड़बड़ी इस बात की याद दिलाती है कि हम कितनी बड़ी संख्या में सेवाओं और कार्यों के कार्य अनुसूची को व्यवस्थित करने में कंप्यूटर पर निर्भर हैं, जिस पर हमारा समुदाय अब पूरी तरह से निर्भर करता है।
उदाहरण के लिए, सभी प्रमुख एयरलाइनों में परिष्कृत ग्राफ़ ऑप्टिमाइज़ेशन एल्गोरिदम हैं जो पायलट और उड़ानों की तुलना करते हैं। और यद्यपि अमेरिकन एयरलाइंस के साथ घटना एल्गोरिथ्म की गलती के माध्यम से सीधे नहीं हुई थी, परिणाम समान हो सकता है। इस तरह के इंकार से मुश्किल या बहुत असुविधाजनक स्थिति में सैकड़ों हजारों लोगों की जान चली जाएगी जबकि एयरलाइन स्थिति से बाहर निकलने का रास्ता तलाश रही थी।
एल्गोरिथम विज्ञान और मूर के नियम की जीत यह है कि अब हम कई जटिल अनुकूलन कार्यों को अपना सकते हैं, जिसमें परिवहन, रसद और समय-निर्धारण जैसे क्षेत्र शामिल हैं। आधुनिक दुनिया के अधिकांश लोग इन एल्गोरिदमों के बिना सामान्य रूप से कार्य नहीं कर पाएंगे: सालाना
50,000 मालवाहक जहाज परिवहन माल,
25,000 TWH बिजली उत्पन्न करते हैं, और राउटर
1 Zettabyte यातायात खुद के माध्यम से ले जाते हैं। यह सब बहुत कम कुशलता से काम करेगा। हालांकि, संगठन अक्सर समय-सीमा के समाधान के साथ तंग समय सीमा और उपलब्ध कंप्यूटर संसाधनों की कमी के कारण काम करते हैं। इसके अलावा, अभी भी बहुत सारे अवसर हैं जो हम अनुकूलन की अधिकांश समस्याओं को हल करने में मदद करने के तरीकों का उपयोग करते हैं।
अनुकूलन के महत्व और इस तथ्य को देखते हुए कि प्रोसेसर की गति में स्थिर और प्रमुख सुधारों का युग समाप्त हो रहा है, शोधकर्ताओं ने इस सवाल का अध्ययन करना शुरू किया कि क्या विशेष रूप से अनुकूलन के लिए डिज़ाइन की गई मशीनें जटिल समस्याओं को हल करने की हमारी क्षमता में काफी सुधार कर सकती हैं।
एक आशाजनक दृष्टिकोण ऑप्टिमाइज़ेशन के लिए डिज़ाइन की गई ऑप्टिकल मशीनों का विकास है। योनिशिक यामामोटो के नेतृत्व में स्टैनफोर्ड यूनिवर्सिटी (जिसमें लेख के लेखक भी शामिल हैं) के वैज्ञानिकों का एक समूह सात साल पहले इन अध्ययनों को शुरू किया था। अब इस विषय का अध्ययन वैज्ञानिकों के कई समूहों के साथ-साथ
एचपी और
एनटीटी प्रयोगशालाओं के शोधकर्ताओं द्वारा किया जा रहा है। काम के वर्षों के बाद, यह विश्वास बढ़ रहा है कि इनमें से कम से कम एक समूह किसी दिन एक मशीन बनाने में सक्षम होगा जो हमें कुछ सबसे कठिन अनुकूलन समस्याओं से निपटने में मदद कर सकता है जिन्हें आधुनिक उद्योग को हल करने की आवश्यकता है।
सेल्समैन का कार्य: कई बिंदुओं के बीच सबसे छोटा रास्ता खोजने जैसे कार्यों की जटिलता अंकों की संख्या के साथ बढ़ जाती है। ईज़िंग अनुकूलन समस्याओं की आड़ में उन्हें मॉडलिंग करने से उन्हें तेजी से हल करने में मदद मिल सकती है।क्लासिक सेल्समैन समस्या को याद रखें, जिसमें सेल्समैन एक शहर से दूसरे शहर में सामान बेचता है। वह गैसोलीन पर समय और पैसा बर्बाद नहीं करना चाहता। यह अनुकूलन कार्य, जिसका उद्देश्य सेल्समैन के लिए सबसे छोटा रास्ता खोजना है, यह देखते हुए कि उसे प्रत्येक बिंदु पर एक बार जाना है, और यात्रा के अंत में वह वहीं लौटना चाहता है जहां से उसने शुरू किया था।
पांच शहरों के लिए, समस्या बस हल हो गई है। इसकी गणना सभी
12 रास्तों पर विचार करके की जा सकती
है । हालांकि, यदि हार्ड वर्कर-विक्रेता 50 शहरों का दौरा करने का इरादा रखता है, तो सभी संभावित रास्तों पर विचार करने वाली खोज विधि असहनीय होगी -
नए डेसिलीयन की तुलना में इन रास्तों में से अधिक होगा, या 10
60 - एक और 60 शून्य।
इस समस्या के संभावित समाधान हमें एल्गोरिदम द्वारा दिए जा सकते हैं जो अलग-अलग बाईपास पथ और उचित सन्निकटन का उपयोग करते हैं। लेकिन उनमें से भी सबसे अच्छा सबसे शक्तिशाली कंप्यूटर सोच सकता है। हाल ही के एक उदाहरण में, कनाडा के वाटरलू विश्वविद्यालय ने संयुक्त राज्य अमेरिका के लगभग 50,000 शहरों के बीच
सबसे छोटा रास्ता खोजने की कोशिश की जो ऐतिहासिक स्थानों की राष्ट्रीय रजिस्ट्री पर थे और अपने फैसले की शुद्धता को साबित करते हैं। ऐसा करने के लिए, उसने 310 शक्तिशाली प्रोसेसर का इस्तेमाल किया जो 9 महीनों तक बिना रुके काम करता रहा।
लेकिन अनुकूलन में केवल सेल्समैन के कार्य की तुलना में बहुत अधिक कार्य शामिल हैं। एक और चुनौती शेड्यूलिंग है। उदाहरण के लिए, संयुक्त राज्य में नेशनल फुटबॉल लीग को सालाना कई सौ खेलों का शेड्यूल करना चाहिए, जबकि हजारों नियमों का पालन करने की कोशिश की जा रही है, उदाहरण के लिए, टीमों को एक पंक्ति में अपने क्षेत्र में तीन से अधिक गेम खेलने से प्रतिबंधित करें। इस समस्या को हल करने के लिए, 2017 में, एनएफएल ने
400 कंप्यूटरों के एक क्लस्टर का उपयोग किया।
आइसिंग ऑप्टिमाइज़ेशन : इस ईज़िंग समस्या में, सिस्टम की ऊर्जा कम होती है, जब उसके इलेक्ट्रॉनों के मोर्चे को पड़ोसियों के स्पिन के विपरीत दिशाओं में निर्देशित किया जाता है। सिस्टम जो ईज़िंग मॉडल में न्यूनतम ऊर्जा के साथ राज्य पा सकते हैं, जटिल अनुकूलन समस्याओं के समाधान में तेजी लाने में मदद कर सकते हैं।विनिर्माण उद्यमों को मशीन रखरखाव की योजना बनाने की आवश्यकता है। विश्वविद्यालयों को एक समय सारिणी की आवश्यकता है। मेल सेवाओं को वितरण मार्गों की योजना बनाने की आवश्यकता है। बड़े शहरों, जैसे कि बीजिंग या टोक्यो, सीखना पसंद करेंगे कि कैसे भीड़भाड़ के दौरान अपनी सड़कों से गाड़ी चलाने की कोशिश करने वाली लाखों कारों के प्रवाह को प्रभावी ढंग से प्रबंधित किया जाए। इन कार्यों में सैकड़ों या हजारों घटनाएं शामिल हो सकती हैं जिनकी योजना बनाने की आवश्यकता होती है, और कई मामलों में, व्यावहारिक समाधान अभी भी अनुपलब्ध हैं, क्योंकि उन्हें बहुत अधिक कंप्यूटर समय या बहुत अधिक कंप्यूटर की आवश्यकता होती है।
कई वर्षों से, शोधकर्ता अनुकूलन समस्याओं के समाधान के लिए विशेष मशीनें बनाने की कोशिश कर रहे हैं। 1980 के दशक के मध्य में, डेविड टैंक, फिर एटी एंड टी बेल लैब में काम कर रहे थे, और जॉन हॉपफील्ड, जो एटी एंड टी बेल और कैलटेक में काम कर रहे थे, ने सुझाव दिया कि एनालॉग इलेक्ट्रॉनिक सर्किट का उपयोग करते हुए तंत्रिका नेटवर्क का प्रतिनिधित्व करें ताकि ट्रैवलिंग सेल्समैन समस्या के रूप में ऐसी अनुकूलन समस्याओं को हल किया जा सके। उनके काम ने इस क्षेत्र में दशकों के शोध को जन्म दिया। फिर, 1994 में, दक्षिणी कैलिफोर्निया विश्वविद्यालय के लियोनार्ड एडलमैन ने पता लगाया कि सिद्धांत रूप में, इस प्रकार की समस्याओं को हल करने के लिए डीएनए का उपयोग किया जा सकता है। उनके विचार ने अनुसंधान की एक समान हड़बड़ी को जन्म दिया। हालांकि, अनुकूलन समस्याओं को हल करने के लिए मौलिक रूप से नए और प्रभावी दृष्टिकोण विकसित करने के इन प्रयासों ने पारंपरिक कंप्यूटर और प्रौद्योगिकियों के लिए व्यावहारिक विकल्प दिए हैं, जो आज ऐसी समस्याओं को हल करने के लिए मुख्य उपकरण बने हुए हैं।
अनुकूलन समस्याओं को हल करने में सक्षम विशेष ऑप्टिकल मशीनों को बनाने का प्रयास इन समस्याओं में से एक पर केंद्रित है, जिसे ईज़िंग अनुकूलन के रूप में जाना जाता है। उनका नाम भौतिक विज्ञानी अर्नस्ट इस्सिंग के नाम पर रखा गया था, जो चुंबकीय क्षणों के मॉडल पर प्रसिद्ध काम और विभिन्न चुंबकीय राज्यों के बीच संक्रमण के बारे में बताते हैं। यह पता चलता है कि शेड्यूलिंग और खोज पथ सहित कई सामान्य अनुकूलन समस्याओं को आसानी से ईज़िंग अनुकूलन समस्याओं में बदल दिया जा सकता है।
यह समझने के लिए कि ईज़िंग मॉडल अनुकूलन से कैसे संबंधित है, आपको चुंबकत्व को समझने के लिए भौतिकी में इसका उपयोग करके शुरू करने की आवश्यकता है। एक पारंपरिक चुंबकीय पट्टी पर विचार करें। आइसिंग मॉडल का उपयोग करके, एक चुंबकीय पट्टी की कल्पना कर सकते हैं, परमाणुओं के त्रि-आयामी जाली के रूप में, जिसमें प्रत्येक परमाणु स्वयं एक चुंबकीय पट्टी है। परमाणुओं में इलेक्ट्रॉनों में एक संपत्ति होती है जिसे स्पिन कहा जाता है। वैलेंस इलेक्ट्रॉनों के स्पिन - परमाणु के बाहरी गोले पर स्थित - ऊपर या नीचे निर्देशित होते हैं। Spins की दिशा सामग्री के चुंबकीयकरण को निर्धारित करती है। यदि सभी पीठ को ऊपर की ओर निर्देशित किया जाता है, तो सामग्री को चुंबकित किया जाता है। यदि नीचे है, तो सामग्री को चुंबकित भी किया जाता है - केवल विपरीत ध्रुवीयता के साथ। यदि पीठ को मिलाया जाता है, तो सामग्री चुंबकित नहीं होती है।
ये स्पिन एक दूसरे के साथ बातचीत भी करते हैं। एक चुंबकीय पट्टी में, दो पड़ोसी इलेक्ट्रॉनों की "
कुल ऊर्जा " कम होती है यदि उनके स्पिन को संरेखित किया जाता है - अर्थात, वे एक ही दिशा में निर्देशित होते हैं। इसके विपरीत, उनकी कुल ऊर्जा अधिक होती है यदि स्पिन बहुआयामी हैं।
ऑप्टिकल ईज़िंग मशीन: माप प्रतिक्रिया के साथ एक ऑप्टिकल पैरामीट्रिक थरथरानवाला (ओपीओ) ईज़िंग मॉडल के रूप में व्यक्त अनुकूलन समस्याओं को हल कर सकता है - इलेक्ट्रॉन स्पिन का एक सेट और एक दूसरे पर उनका प्रभाव। ओपीओ में ऑप्टिकल दालों के चरण स्प्रिंग्स का प्रतिनिधित्व करते हैं, और प्रभाव को एक उपयोगकर्ता-प्रोग्रामेबल गेट ऐरे ( पीपीआई ) में पेश किया जाता है। ओपीओ में आवेगों के शक्तिशाली होने से पहले सिस्टम के माध्यम से लगभग सौ पास को पूरा करना आवश्यक है ताकि समस्या का हल तैयार किया जा सके।ईज़िंग मॉडल में, हम परमाणुओं के एक सेट में इलेक्ट्रॉनों के प्रत्येक जोड़ी के बीच की बातचीत की ऊर्जा को सारांशित करते हैं। चूँकि ऊर्जा की मात्रा इस बात पर निर्भर करती है कि स्पिन संरेखित हैं या नहीं, सेट की कुल ऊर्जा प्रणाली के सभी स्पिनों की दिशा पर निर्भर करती है। इस प्रकार, ईज़िंग ऑप्टिमाइज़ेशन का सामान्य कार्य यह निर्धारित करना है कि सिस्टम की ऊर्जा को कम करने के लिए स्पिन किस स्थिति में होना चाहिए।
सबसे सरल मॉडल में, यह माना जाता है कि केवल आसन्न spins बातचीत करते हैं। हालांकि, सामान्य ईज़िंग अनुकूलन समस्या में, कोई भी स्पिन दूरी की परवाह किए बिना किसी भी अन्य के साथ बातचीत कर सकती है, और इन इंटरैक्शन के संकेत और ताकत प्रत्येक जोड़ी के बैक के लिए अद्वितीय हो सकते हैं। इस तरह के एक सामान्यीकृत सूत्रीकरण में, इस समस्या को हल करना बहुत मुश्किल है - ठीक उसी तरह जैसे किसी विक्रेता के सैकड़ों सैकड़ों संभावित खरीदारों की समस्या को हल करना। यदि हम ईज़िंग ऑप्टिमाइज़ेशन समस्याओं को जल्दी से हल करने का एक तरीका खोज सकते हैं, और ट्रैवलिंग सेल्समैन समस्या और इसी तरह की समस्याओं के बारे में बात करने का एक तरीका ईज़िंग समस्याओं के समान है, तो हम इन समस्याओं को भी जल्दी से हल करने में सक्षम हो सकते हैं। ईज़िंग समस्या में न्यूनतम प्रणाली ऊर्जा शहरों के बीच सबसे तेज़ मार्ग का प्रतिनिधित्व करेगी, जो कार्गो जहाज की पैकिंग के लिए सबसे प्रभावी समाधान है, या किसी अन्य अनुकूलन समस्या की हमें ज़रूरत है।
तो आप कैसे एक सेल्समैन की राह को पीठ में परिवर्तित करते हैं? मुख्य कार्य अनुपालन स्थापित करना है: हमें अपनी अनुकूलन समस्या को एक ऐसे रूप में प्रस्तुत करने की आवश्यकता है जिसमें आइसिंग अनुकूलन समस्याओं को हल करने के लिए डिज़ाइन की गई मशीन इसे हल कर सकती है। पहले आपको प्रारंभिक अनुकूलन समस्या की तुलना करने की आवश्यकता है - उदाहरण के लिए, वैक्यूम क्लीनर के विक्रेता के लिए एक रास्ता खोजना - स्पिन के एक सेट के साथ, और यह निर्धारित करना कि स्पिन एक दूसरे को कैसे प्रभावित करते हैं। कंप्यूटर विज्ञान और
संचालन अनुसंधान दोनों में हाल के दशकों में किए गए अध्ययनों के लिए धन्यवाद, आइसिंग रूपों के साथ विभिन्न अनुकूलन समस्याओं की तुलना
आमतौर पर ज्ञात है ।
हालांकि, व्यक्तिगत परमाणुओं और उनके इलेक्ट्रॉनों के spins के साथ काम करना कठिन है, इसलिए हमने एक मशीन बनाने पर ध्यान केंद्रित किया जो इलेक्ट्रॉन स्पिन के बजाय प्रकाश के दालों का उपयोग करते हुए इज़िंग मॉडल को लागू करता है। ईज़िंग समस्या की तुलना उनके बीच के क्षणों और अंतःक्रियाओं से की जाती है। परिणाम का मूल्यांकन समस्या की कुल ऊर्जा के संदर्भ में किया जाता है, और न्यूनतम ऊर्जा वाले राज्य को इष्टतम समाधान माना जाता है। फिर इस निर्णय का अनुवाद उस भाषा में किया जाता है जो मूल कार्य के लिए समझ में आता है - उदाहरण के लिए, एक सेल्समैन के सबसे छोटे तरीके से।
हमारे प्रोटोटाइप में प्रकाश दालों के लिए स्पिन से मिलान करने की क्षमता की कुंजी OPO, एक लेजर जैसी डिवाइस है। लेकिन ओपीओ, एक पारंपरिक लेजर के विपरीत, प्रकाश पैदा करता है जो बिल्कुल चरण में होता है, या बिल्कुल एंटीफ़ेज़ में, कुछ मूल प्रकाश में। यह वही है जो स्पिन के बाइनरी राज्यों का प्रतिनिधित्व करने के लिए आवश्यक है, ऊपर और नीचे। हम एक स्पिन की कल्पना कर सकते हैं जो ऊपर की ओर निर्देशित होती है, जिसमें ओपीओ का प्रकाश आधार एक के साथ चरण में होता है, और इसके विपरीत, नीचे की ओर निर्देशित एक स्पिन एंटीपेज़ में प्रकाश से मेल खाती है।
OPO का उपयोग करके एक ईज़िंग मशीन बनाने के कई तरीके हैं। एनटीटी, कैलटेक, कॉर्नेल और कोलंबिया के समूह, दूसरों के बीच, अलग-अलग दृष्टिकोण हैं। ईज़िंग मशीन का प्रोटोटाइप, पहली बार एलेर्जा मरांडी (जो अब कैलटेक में काम करता है) के निर्देशन में एक प्रयोग में स्टैनफोर्ड में दिखाया गया था, ऐसी तकनीक का उपयोग किया गया है जिसे हम आगे भी काम करना जारी रखते हैं: मल्टीप्लेक्स ओप्पो टाइम डिवीजन और ऑप्टिकल कनेक्शन के साथ।
आइए इस कठिन अवधि को देखें। हम एक स्पंदित लेजर स्रोत से शुरू करते हैं। स्रोत दो दिशाओं में कई पिकोसॉन्ड्स के साथ प्रकाश की एक साथ दालों को भेजता है। पहला आवेग बुनियादी हो जाता है; यह विभाजित होता है, और दो अलग-अलग रास्तों से जाता है।
दूसरा OPO के लिए ऊर्जा स्रोत के रूप में उपयोग किया जाता है: यह OPO में एक क्रिस्टल को उत्तेजित करता है, जो फोटॉन दालों का उत्सर्जन करता है। प्रत्येक पल्स को कई सौ मीटर लंबे ऑप्टिकल लूपेड केबल के एक कॉइल को प्रेषित किया जाता है, जो हमें आवश्यक दालों की संख्या पर निर्भर करता है। इस रिंग में सैकड़ों या हजारों ओपीओ दालें होती हैं, और वे क्रिस्टल के माध्यम से बार-बार गुजरते हुए एक सर्कल में पीछा करेंगे।
ऊपर: लेख के लेखक और उनके पूर्व प्रयोगशाला साथी, एलिर्ज़ा मरांडी, इस्सिंग के ऑप्टिकल कंप्यूटर के प्रोटोटाइप को देख रहे हैं।
नीचे: अधिकांश घटनाएं ऑप्टिकल केबल रील के अंदर होती हैंइन दालों के चरण ईज़िंग मॉडल के स्पिन की भूमिका निभाएंगे। लेकिन उनके निर्माण के तुरंत बाद, इससे पहले कि वे कई बार लूप से गुजरते हैं, वे इतने कमजोर होते हैं कि उनके चरणों को अच्छी तरह से परिभाषित नहीं किया जाता है। जिस तरह से हम उन्हें बातचीत करते हैं, वह अंततः उन्हें अंतिम चरण देगा और हमारी ईज़िंग समस्या का समाधान देगा।
प्रयोग के वर्णन से आधार प्रकाश याद है? लूप में एक बिंदु पर एक स्प्लिटर होता है जो प्रत्येक पल्स के एक छोटे हिस्से का चयन करता है, जिसकी तुलना होमोसेक्सुअल डिटेक्टर में बेस पल्स के साथ की जाती है। डिटेक्टर के आउटपुट वोल्टेज में डिटेक्टर के चरण और आयाम के बारे में जानकारी होती है। इस सिग्नल को डिजिटल किया जाता है और पीपीवीएम में फीड किया जाता है। इसमें ईज़िंग समस्या को ही प्रस्तुत किया गया है।
याद रखें कि ईज़िंग समस्या को हल करने का मतलब है कि स्पिन के एक सेट के लिए न्यूनतम ऊर्जा की स्थिति का पता लगाना जिसमें स्पिन विभिन्न तरीकों से बातचीत करते हैं, और ये इंटरैक्शन सिस्टम की कुल ऊर्जा में अतिरिक्त ऊर्जा जोड़ते हैं। एचएमई में, प्रत्येक आवेग एक स्पिन को दर्शाता है। इसलिए, प्रत्येक पल्स के लिए - और हमारे सेटअप में हमने 100 का उपयोग किया - पीपीएमएम गणना करता है, जिसमें अन्य सभी दालों के रिकॉर्ड किए गए माप शामिल होते हैं, जो ईज़िंग समस्या के अनुसार, विचाराधीन स्पिन को प्रभावित करना चाहिए। प्रोसेसर तब बेस नाड़ी के एक पथ पर स्थित तीव्रता मॉडुलक और चरण न्यूनाधिक की सेटिंग्स पर गणना लागू करता है। संशोधित बेस पल्स को फाइबर ऑप्टिक केबल की रिंग में खिलाया जाता है, जिसमें OPO दालों को सूंघते हैं।
सही क्षण चुनना महत्वपूर्ण है - हमें सही ओपीओ पल्स के साथ संयोजन के लिए संयुक्त आधार नाड़ी की आवश्यकता है। यदि सही ढंग से किया जाता है, तो दो दालें मिलेंगी। चरण में हैं या नहीं, इस पर निर्भर करते हुए, सिस्टम में पेश किया गया आवेग OPO आवेग को निर्देशित करता है कि वह ऊपर या नीचे निर्देशित स्पिन का प्रतिनिधित्व करता है।
लूप में प्रत्येक ओपीओ पल्स के लिए, हम इस पूरी प्रक्रिया को दोहराते हैं, और अंतिम चरण की अवस्थाओं को प्राप्त करने के लिए, दालें लूप की पूरी लंबाई के साथ हजारों बार यात्रा कर सकती हैं। उसके बाद, एक अलग कंप्यूटर चरणों का एक सेट पढ़ता है, उन्हें इस्िंग समस्या से इलेक्ट्रॉनों के रूप में व्याख्या करता है जिसमें ऊपर या नीचे इंगित करने वाले स्पिन के साथ होता है, और फिर इसे प्रारंभिक अनुकूलन समस्या के सार्थक समाधान में बदल देता है जिसे आपको हल करने की आवश्यकता होती है।
हमारे प्रयोगों में, हमने पहले चार स्पिनों के साथ एक प्रणाली बनाई, और फिर 16 स्पिनों के साथ। कार्य के पैरामीटर एक निश्चित लंबाई के ऑप्टिकल केबल के ब्रांचिंग सेगमेंट के रूप में इंस्टॉलेशन में हार्डवेयर-आधारित थे। इन प्रयोगों में, हमने सफलतापूर्वक न्यूनतम ऊर्जा की अवस्थाओं की खोज की और इससे हमें इस दृष्टिकोण को विकसित करने की प्रेरणा मिली। 2016 में, हमने एक पीपीवीएम-आधारित फीडबैक मशीन बनाई, जो 100 स्पिन के साथ ईज़िंग समस्याओं को हल करने में सक्षम है। विशिष्ट प्रणालियों के साथ हमारी सुविधा की गति की तुलना, जिसमें नासा "
क्वांटम एनीलिंग " तंत्र शामिल है, ने हमें विश्वास दिलाया कि ईज़िंग ओप्पो मशीनें कुशल ऑप्टिमाइज़र हो सकती हैं।
परिणाम आशाजनक थे, लेकिन हमें अभी भी बहुत कुछ सीखना है इससे पहले कि हम समझें कि क्या इस तरह के एक ऑप्टिकल दृष्टिकोण व्यावहारिक अनुकूलन समस्याओं को हल करने में एक पारंपरिक प्रोसेसर से आगे निकल सकता है। यह संभव है कि प्रकाश की क्वांटम अवस्थाओं का उपयोग करके मशीन की समस्याओं को हल करने की क्षमता में सुधार किया जा सके, जिन्हें अनुकरण करना बहुत मुश्किल है। हम केवल इस तरह के कई प्रकार के प्रश्नों के समाधान के लिए आ रहे हैं, और हम अगले कुछ वर्षों में इस नए प्रकार के कंप्यूटर को विकसित करने, सिद्धांत और प्रयोग की अत्यंत रोचक बातचीत का अध्ययन करने की योजना बना रहे हैं।