熱力学AIモデルのスケーリング
イジングモデルに基づく熱力学計算デバイスは、低消費電力AI推論とエッジコンピューティングに大きな可能性を示していますが、大規模モデルのトレーニング方法は限られています。本研究は、高温ギブスサンプリングされたイジングシステムの時間平均挙動とニューラルネットワーク推論の理論的対応関係を、イジングマシンハードウェア上での熱力学推論用の深層畳み込みネットワークをトレーニングするためのスケーラブルな逆伝播アルゴリズムに変換します。CIFAR-10で94.9%、CIFAR-100で76.0%の精度を達成しました。さらに、推論コストと精度のトレードオフに関する数学的理論を開発し、最適な推論スケジュールを計算するアルゴリズムを示します。最後に、ハードウェア開発と高温熱力学AIモデルの未来への影響を議論します。
熱力学計算デバイス、特にイジングモデルに基づくものは、低消費電力でのAI推論やエッジコンピューティングへの応用が期待されています。しかし、これらのハードウェア向けのスケーラブルなトレーニング手法は限られていました。Andrew G. Mooreによる最近の研究で、バックプロパゲーションに基づく新しいアルゴリズムが提案され、イジングマシン上で深層畳み込みニューラルネットワークを効果的にトレーニングできるようになりました。この研究はarXivプレプリント（arXiv:2607.00170）として2026年6月30日に投稿されました。
この研究の鍵は、高温でのギブスサンプリングによるイジングシステムの時間平均挙動がニューラルネットワークの推論に対応するという理論的関係を、実用的なトレーニングフレームワークに変換した点にあります。研究者らはこの手法を用いて画像分類用の深層畳み込みネットワークをトレーニングし、CIFAR-10データセットで94.9%、CIFAR-100データセットで76.0%の精度を達成しました。これらの結果はバイナリギブスサンプリング条件下で得られ、手法の有効性を示しています。
実験結果に加え、研究では推論コストと精度のトレードオフについても詳しく調査しています。チームは推論コストと精度を関連付ける数学的理論を開発し、実験的に検証しました。さらに、推論コストが性能とのトレードオフによって制御されることを示す漸近結果を導き、最適な推論スケジュールを計算するアルゴリズムを提案しています。これらの理論的貢献は、熱力学AIモデルの実用化に向けた重要な指針を提供します。
最後に、この研究はハードウェア開発への影響と、高温熱力学AIモデルの将来の方向性について議論しています。この成果は、特にエッジコンピューティング環境における低消費電力・高効率AIアプリケーションへの熱力学計算の実用展開に向けた道を開くものです。ハードウェアとアルゴリズムのさらなる改良により、熱力学AIは従来のデジタルコンピューティングに代わる競争力のある選択肢となることが期待されます。研究者らは、将来的により複雑なネットワーク構造に対応するためのアルゴリズム最適化や、他のタイプのイジングマシンへの応用が可能であると述べています。