像大自然一样思考、探索AI无法企及领域的“尤里卡”机器
多机构团队研发出一款结合量子隧穿物理与大脑启发架构的神经形态计算机，能够高效解决组合优化问题，如物流网络、芯片布线等，并保证渐近收敛到最优解。该研究发表在《自然·通讯》上，标志着量子启发计算的新方向。
文章情报
要点
- 神经形态计算机结合量子隧穿和大脑启发架构，解决组合优化难题
- 基于CMOS技术，采用Fowler-Nordheim退火器的自编码器架构
- 可渐近收敛到最优解，超越传统AI在组合问题上的局限
- 全球神经形态工程社群合作成果，来自印度、美国、德国等机构
为什么重要
这条新闻值得关注，因为神经形态计算机结合量子隧穿和大脑启发架构，解决组合优化难题。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
印度科学研究所（IISc）报道，一个由多国研究者组成的团队成功研制出一款神经形态计算机，它融合了量子隧穿物理与脑启发架构，能够高效解决传统计算方法难以应对的组合优化问题。该成果发表于《自然·通讯》期刊，为量子启发计算开辟了新的道路。
组合优化问题广泛存在于物流网络规划、微芯片布线、密码学等领域，其复杂度随着问题规模呈指数增长。当前的人工智能模型虽然能创作小说或操控航天器，但在这些问题上却举步维艰。这项新研究提出了一种神经形态自编码器，结合Fowler-Nordheim退火器，能够在大规模问题中搜索近似最优解，并保证渐近收敛到全局最优。其工作原理类似于自然系统在复杂能量景观中寻找稳定态的过程。该机器以FPGA板实现神经形态伊辛机，能快速探索具有指数级竞争可能性的崎岖能量景观，从而发现蛋白质折叠等复杂优化问题的近最优解，从展开链经过中间熔球态演变为最稳定的折叠结构。
该机器的核心创新在于利用量子隧穿效应来探索指数级数量的可能性，从而快速找到接近最优的解决方案。研究团队由华盛顿大学的Shantanu Chakrabartty教授领导，其团队多年来一直研究基于Fowler-Nordheim的神经形态架构。成员包括印度科学研究所的Chetan Singh Thakur教授，以及来自德国海德堡大学、约翰·霍普金斯大学和加州大学圣克鲁兹分校的研究人员。
这一成果也体现了全球神经形态工程社区的协作精神。研究者们定期在亚洲的班加罗尔神经形态工程研讨会（BNEW）、美洲的特柳赖德神经形态与认知工程研讨会以及欧洲的卡波卡恰神经形态研讨会上交流思想，共同推动面向最困难计算问题的新型机器发展。多年来，摩尔定律通过指数级增益使得“购买更快的计算机”成为解决复杂问题的可行策略，但这一时代正接近极限。下一个数量级的提升将不再来自更小的工艺节点，而是来自以不同方式思考和计算的架构。
参考：Ahsan F等，《高阶神经形态伊辛机——自编码器和Fowler-Nordheim退火器是实现可扩展性所需的一切》，《自然·通讯》(2026)。