Isingモデルに基づく熱力学計算デバイスは、低消費電力のAI推論やエッジコンピューティングに向けた有望な選択肢として注目されている。しかし、そうしたハードウェア向けに大規模モデルを学習する拡張可能な手法は限られてきた。2026年6月30日にarXivへ投稿された論文「Scaling Up Thermodynamic AI Models」は、この課題に取り組むものである。著者のAndrew G. Moore氏は、高温ギブスサンプリングされたIsing系の時間平均挙動が順伝播型ニューラル推論を実装できるという先行理論を出発点に、それを実際に使える学習アルゴリズムへと発展させた。
提案手法の中心は「純粋な誤差逆伝播」にある。学習は完全に誤差逆伝播のみに依存し、熱力学ハードウェア向けの拡張困難な追加手続きを必要としない。これにより、Isingマシンハードウェア上での推論に向けて深層畳み込みネットワークを準備することが、小規模な理論的デモにとどまらず現実的なものになる。著者は二値ギブスサンプリングの条件下で画像分類タスクを評価し、CIFAR-10で94.9%、CIFAR-100で76.0%の精度を達成した。これは、熱力学的推論が比較的難易度の高いデータセットでも実用的な性能水準を維持できることを示している。
学習アルゴリズムに加えて、論文は推論コストと精度の関係を定式化し、自己相関時間の制御にも関わる数学理論を構築し、実験的に検証している。熱力学サンプリングの時間的な相関は推論に要する時間とエネルギーに直接影響するため、この理論は「計算をどれだけ増やせば精度がどれだけ向上するか」を分析する枠組みを与える。さらに著者は漸近的な結果を導き、推論コストが性能との間で制御可能なトレードオフによって制約されることを示すとともに、最適な推論スケジュールを計算するアルゴリズムを提示した。
論文の最後では、ハードウェア開発への示唆と高温熱力学AIモデルの将来について議論している。全体として本研究は、これまで理論寄りだった熱力学推論の対応関係を、拡張可能な学習とコスト分析の段階へと押し進め、低消費電力エッジAIハードウェア上での深層モデル展開に方法論的な基盤を与えるものだ。なお、本論文は機械学習（cs.LG）に分類され、無秩序系とニューラルネットワーク（cond-mat.dis-nn）および人工知能（cs.AI）にも関連している。