像大自然一樣思考、探索AI無法企及領域的“尤里卡”機器
多機構團隊研發出一款結合量子隧穿物理與大腦啟發架構的神經形態計算機，能夠高效解決組合最佳化問題，如物流網路、晶片佈線等，並保證漸近收斂到最優解。該研究發表在《自然·通訊》上，標誌著量子啟發計算的新方向。
文章情報
要點
- 神經形態計算機結合量子隧穿和大腦啟發架構，解決組合最佳化難題
- 基於CMOS技術，採用Fowler-Nordheim退火器的自編碼器架構
- 可漸近收斂到最優解，超越傳統AI在組合問題上的侷限
- 全球神經形態工程社群合作成果，來自印度、美國、德國等機構
為什麼重要
這條新聞值得關注，因為神經形態計算機結合量子隧穿和大腦啟發架構，解決組合最佳化難題。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
印度科學研究所（IISc）報道，一個由多國研究者組成的團隊成功研製出一款神經形態計算機，它融合了量子隧穿物理與腦啟發架構，能夠高效解決傳統計算方法難以應對的組合最佳化問題。該成果發表於《自然·通訊》期刊，為量子啟發計算開闢了新的道路。
組合最佳化問題廣泛存在於物流網路規劃、微晶片佈線、密碼學等領域，其複雜度隨著問題規模呈指數增長。當前的人工智慧模型雖然能創作小說或操控航天器，但在這些問題上卻舉步維艱。這項新研究提出了一種神經形態自編碼器，結合Fowler-Nordheim退火器，能夠在大規模問題中搜尋近似最優解，並保證漸近收斂到全域性最優。其工作原理類似於自然系統在複雜能量景觀中尋找穩定態的過程。該機器以FPGA板實現神經形態伊辛機，能快速探索具有指數級競爭可能性的崎嶇能量景觀，從而發現蛋白質摺疊等複雜最佳化問題的近最優解，從展開鏈經過中間熔球態演變為最穩定的摺疊結構。
該機器的核心創新在於利用量子隧穿效應來探索指數級數量的可能性，從而快速找到接近最優的解決方案。研究團隊由華盛頓大學的Shantanu Chakrabartty教授領導，其團隊多年來一直研究基於Fowler-Nordheim的神經形態架構。成員包括印度科學研究所的Chetan Singh Thakur教授，以及來自德國海德堡大學、約翰·霍普金斯大學和加州大學聖克魯茲分校的研究人員。
這一成果也體現了全球神經形態工程社群的協作精神。研究者們定期在亞洲的班加羅爾神經形態工程研討會（BNEW）、美洲的特柳賴德神經形態與認知工程研討會以及歐洲的卡波卡恰神經形態研討會上交流思想，共同推動面向最困難計算問題的新型機器發展。多年來，摩爾定律透過指數級增益使得“購買更快的計算機”成為解決複雜問題的可行策略，但這一時代正接近極限。下一個數量級的提升將不再來自更小的工藝節點，而是來自以不同方式思考和計算的架構。
參考：Ahsan F等，《高階神經形態伊辛機——自編碼器和Fowler-Nordheim退火器是實現可擴充套件性所需的一切》，《自然·通訊》(2026)。