一种称为Ising Optical Machine的奇怪设备能够控制空中交通并帮助NFL安排比赛。
去年，美国航空员工之间的分配系统故障可能导致假期期间
成千上万个航班的时间表中断。 这个错误使飞行员拒绝了飞行而没有被另一位飞行员所取代，大约有15,000次飞行受到威胁。 尽管航空公司设法及时跟踪问题并
分配了员工 ，但这种混乱使人们想起了我们在组织大量服务和功能的工作计划时需要依靠计算机的多少，而我们的社区现在完全依赖计算机。
例如，所有主要航空公司都有完善的图形优化算法，可以比较飞行员和航班。 尽管与美国航空的事件并非直接由于算法错误而发生，但结果可能是相似的。 这种拒绝会导致成千上万的人处于困难或非常不便的状况中，而航空公司正在寻找摆脱困境的方法。
算法科学和摩尔定律的成功在于，我们现在可以处理许多复杂的优化任务，包括运输，物流和调度等领域。 如果没有这些算法，大多数现代世界将无法正常运行：每年有
50,000艘货船运输货物，产生
25,000 TWh的电力，路由器通过自身承载
1 Zettabyte的流量 。 所有这些工作效率将大大降低。 但是，由于期限紧迫和缺乏可用的计算机资源，组织经常使用次优的解决方案。 而且，仍有大量机会可以改进我们用来帮助解决大多数优化问题的方法。
鉴于优化的重要性以及处理器速度的稳定和大幅提高的时代似乎即将结束，研究人员开始研究专门为优化设计的机器是否可以显着提高我们解决复杂问题的能力的问题。
一种有前途的方法是开发专为优化设计的光学机器。 七年前，由山本耀喜（Yoshihik Yamamoto）领导的斯坦福大学的一组科学家（包括本文的作者）开始了这些研究。 现在，这个主题正在由几组科学家以及
HP和
NTT实验室的研究人员进行研究。 经过多年的工作，人们越来越有信心，这些小组中的至少一个小组有一天将能够制造出一种机器，该机器可以帮助我们解决现代工业需要解决的一些最困难的优化问题。
业务员的任务：任务的复杂性（例如，找到多个点之间的最短路径）会随着点数的增加而增加。 以Ising优化问题为幌子对它们进行建模可以帮助更快地解决它们。记住经典的推销员问题，在该问题中，推销员从一个城市转移到另一个城市，销售商品。 他不想浪费时间和金钱在汽油上。 这是一项优化任务，其目的是为推销员找到最短的途径，因为他需要到达每个点一次，并且在旅行结束时，他想返回到开始的地方。
对于五个城市，问题可以简单地解决。 只需考虑所有
12条路径即可计算得出。 但是，如果辛勤工作的卖家打算访问50个城市，则考虑所有可能路径的搜索方法将难以承受-这些路径将比
新的十亿或10
60-一和60零更多。
这个问题的可能解决方案可以通过使用不同路径和合理近似的算法提供给我们。 但是，即使是最好的他们也可以使最强大的计算机思考。 在最近的一个例子中，加拿大的滑铁卢大学试图
找到美国近50,000个历史名胜国家历史名城之间
的最短路径 ，并证明其决定的正确性。 为此，他使用了310个功能强大的处理器，这些处理器在9个月内都没有停止运行。
但是优化涉及的不仅仅是任务员的任务。 另一个挑战是调度。 例如，美国国家橄榄球联盟（National Football League）每年必须安排几百场比赛，同时要遵守数千条规则，例如，禁止球队在自己的场地上连续打三场以上的比赛。 为了解决这个问题，NFL在2017年使用了
400台计算机集群。
伊辛优化 ：在此伊辛问题中，当系统电子的自旋指向与邻居的自旋相反的方向时，系统的能量较低。 在Ising模型中可以用最少的能量找到状态的系统可以帮助加快复杂优化问题的解决速度。制造企业需要计划机器维护。 大学需要一个时间表。 邮件服务需要计划送达路线。 大城市，如北京或东京，很想学习如何有效管理数以百万计的汽车在高峰时段试图通过其街道的流量。 这些任务可能包括数百个或数千个需要计划的事件，而且在许多情况下，实际的解决方案仍然不可用，因为它们需要太多的计算机时间或太多的计算机。
多年来，研究人员一直在尝试制造用于解决优化问题的特殊机器。 在1980年代中期，当时在AT＆T贝尔实验室工作的David Tank和在AT＆T贝尔和加州理工学院工作的John Hopfield都建议使用代表神经网络的模拟电子电路来解决诸如旅行商问题的优化问题。 他们的工作引起了该领域数十年的研究。 然后，在1994年，南加州大学的伦纳德·埃德曼（Leonard Edleman）发现，从理论上讲，DNA可用于解决此类问题。 他的想法引起了类似的研究热潮。 但是，这些为解决优化问题而开发全新的有效方法的尝试导致了常规计算机和技术的实用替代方案，而这些替代方案仍是当今解决此类问题的主要工具。
制造能够解决优化问题的特殊光学机器的尝试集中于这些问题之一，称为Ising优化。 她以物理学家恩斯特·伊辛（Ernst Ising）的名字命名，恩斯特·伊辛是著名的磁矩模型及其对不同磁态之间跃迁的解释的著作。 事实证明，许多常见的优化问题，包括计划和查找路径，都可以轻松地转化为Ising优化问题。
要了解Ising模型与优化的关系，您需要首先在物理上使用它来了解磁性。 考虑常规的磁棒。 使用Ising模型，可以将磁条想象成原子的三维晶格，其中每个原子本身都是磁条。 原子中的电子具有称为自旋的特性。 价电子的自旋（位于原子的外壳上）向上或向下定向。 自旋的方向决定了材料的磁化强度。 如果所有背面朝上，则材料将被磁化。 如果向下，则材料也会被磁化-仅具有相反的极性。 如果背面混合在一起，则材料不会磁化。
这些自旋也相互影响。 在磁棒中，如果两个相邻电子的自旋对齐，则它们的“
总能量 ”较低-也就是说，它们的方向相同。 相反，如果自旋是多向的，则它们的总能量较高。
光学伊辛机：具有测量反馈的光学参量振荡器（OPO）可以解决以伊辛模型形式表示的优化问题-一组电子自旋及其相互影响。 OPO中的光脉冲相位代表自旋，并且该效应被引入到用户可编程门阵列（ PPM ）中。 在OPO中的脉冲变得足够强大以产生问题的解决方案之前，必须完成大约100次通过系统。在伊辛模型中，我们总结了一组原子中每对电子的自旋之间相互作用的能量。 由于能量的大小取决于自旋是否对齐，因此集合的总能量取决于系统所有自旋的方向。 因此，伊辛优化的一般任务是确定自旋应处于何种状态，以最小化系统的能量。
在最简单的模型中，据信只有相邻的自旋相互作用。 但是，在一般的Ising优化问题中，任何旋转都可以相互影响，而无论距离如何，而且这些交互的符号和强度对于每对后背而言都是唯一的。 在这种概括的表述中，这个问题很难解决-就像解决推销员拜访成千上万潜在买家的问题一样。 如果我们能够找到一种快速解决Ising优化问题的方法，并且能够以与Ising问题相同的方式谈论旅行商问题和类似问题，那么我们也许也能够迅速解决这些问题。 Ising问题中的最小系统能量将代表城市之间最快的路线，最有效的货船打包解决方案或我们需要的任何其他优化问题。
那么，如何将旅行推销员的道路转换为后盾？ 主要任务是建立合规性：我们需要以设计用于解决Ising优化问题的机器可以解决该问题的形式提出优化问题。 首先，您需要将初始优化问题（例如，为吸尘器的销售商找到一种方法）与一组旋转进行比较，并确定旋转之间如何相互影响。 由于最近几十年在计算机科学和
运筹学方面进行的
研究 ，
人们普遍知道用伊辛形式比较各种优化问题。
但是，很难处理单个原子及其电子的自旋，因此我们集中精力创建一种使用光脉冲而不是电子自旋来实现Ising模型的机器。 将伊辛问题与动量和它们之间的相互作用进行比较。 根据问题的总能量评估结果，并且将能量最小的状态视为最佳解决方案。 然后，将此决定翻译成对原始任务有意义的语言-例如，以推销员的最短方式。
我们的原型能够使自旋与光脉冲相匹配的能力的关键是OPO（一种类似于激光的设备）。 但是，与传统的激光不同，OPO产生的光与某些基本光同相或反相。 这正是表示上下旋转的二进制状态所需要的。 我们可以将向上旋转的光想象为一种状态，其中OPO的光与基本光同相，反之亦然，向下旋转的光对应于反相的光。
有几种使用OPO创建Ising机器的方法。 来自NTT，加州理工学院，康奈尔大学和哥伦比亚大学的小组有不同的方法。 Ising机器的原型首先在斯坦福大学的Alireza Marandi（现在在Caltech工作）的指导下进行了展示，它使用了我们继续努力的技术：带时分和光连接的多路OPO。
让我们看看这个艰难的时期。 我们从脉冲激光源开始。 光源在两个方向上同时发出持续数皮秒的光脉冲。 最初的冲动变得基本； 它分裂，并沿着两条不同的路径前进。
第二种用作OPO的能源：它刺激OPO中的晶体，该晶体发出光子脉冲。 每个脉冲都会传输到数百米长的光环电缆线圈，具体取决于我们所需的脉冲数。 这个环中有成百上千个OPO脉冲，它们将一个接一个地追逐一个圈，一次又一次地穿过晶体。
上图：本文的作者和他的前实验室合作伙伴Alireza Marandi正在研究Ising光学计算机的原型。
下图：大多数事件发生在光缆盘内这些脉冲的相位将起到Ising模型自旋的作用。 但是，在创建它们之后，在它们经过几次循环之前，它们是如此的脆弱以至于它们的阶段没有被很好地定义。 我们使他们互动的方式最终将使他们进入最后阶段，并为我们解决伊辛问题提供解决方案。
还记得实验说明中的基础灯吗？ 在环路的一点上，是一个分离器，它选择每个脉冲的一小部分，并将其与零差检测器中的基本脉冲进行比较。 检测器的输出电压包含有关检测器的相位和幅度的信息。 该信号被数字化并馈入PPVM。 其中显示了伊辛问题本身。
回想一下，解决伊辛问题意味着找到一组自旋的最小能量状态，其中自旋以不同的方式相互作用，并且这些相互作用为系统的总能量增加了额外的能量。 在HME中，每个脉冲表示一个旋转。 因此，对于每个脉冲-在我们的设置中，我们使用了100个-PPMM执行的计算包括所有其他脉冲的记录测量值，根据伊辛问题，这将影响所考虑的自旋。 然后，处理器将计算结果应用于位于基本脉冲路径之一上的强度调制器和相位调制器的设置。 修改后的基本脉冲被馈入光缆的环路中，OPO脉冲在该环路中侦听。
选择正确的时刻非常关键-我们需要组合的基本脉冲与正确的OPO脉冲组合。 如果正确完成，这两个脉冲将混合。 根据它们是否同相，引入系统的脉冲会使OPO脉冲倾斜，以表示向上或向下定向的自旋。
对于回路中的每个OPO脉冲，我们重复整个过程，并获得最终的相位状态，这些脉冲可以沿回路的整个长度传播数万次。 之后，一台单独的计算机读取一组相，将其自伊辛问题解释为电子，并且自旋向上或向下指向旋转，然后将其转变为对您需要解决的初始优化问题的有意义的解决方案。
在我们的实验中，我们首先制作了具有四个自旋的系统，然后创建了具有16个自旋的系统。 任务的参数在安装中基于硬件，具有一定长度的光缆分支段形式。 在这些实验中，我们成功地发现了最小能量状态，这为我们开发这种方法提供了动力。 2016年，我们创建了基于PPVM的反馈机，能够解决100次旋转的Ising问题。 我们将设施与专用系统（包括NASA“
量子退火 ”设备）的速度进行比较，使我们相信Ising OPO机器可以成为高效的优化器。
结果令人鼓舞，但在了解这种光学方法在解决实际优化问题方面是否能甚至领先于传统处理器之前，我们仍有很多知识要学习。 通过使用很难模拟的光量子态，可以提高机器解决问题的能力。 我们只是在解决许多这样的问题，我们计划在未来几年研究理论与实验之间极其有趣的相互作用，以开发这种新型计算机。