이징 모델 기반 적응형 확률적 프로세서 합성을 위한 도구
A Tool for the Synthesis of Adaptive Probabilistic Processors Based on the Ising Model
한국어 초록
이 연구는 조합 최적화 문제를 이징 모델로 매핑하여 해결하는 확률적 아키텍처의 합성 및 시뮬레이션을 위한 도구를 제시합니다. 제안된 접근 방식은 크기와 토폴로지와 같은 문제 특성을 기반으로 이징 해밀토니안을 자동으로 구성하고 확률적 요소(p-bits)의 수를 결정합니다. 또한, 이 도구는 기브스 샘플링(Gibbs Sampling), 모의 담금질(Simulated Annealing, SA), 모의 양자 담금질(Simulated Quantum Annealing, SQA), 클러스터 기반 방법 중에서 가장 적합한 업데이트 알고리즘을 선택하기 위한 적응형 전략을 도입합니다. 벤치마크 문제를 사용한 실험 결과는 고정된 접근 방식과 비교하여 개선된 수렴 동작과 유연성을 보여줍니다. 제안된 프레임워크는 확률적 컴퓨팅 전략의 체계적인 평가를 가능하게 하며, MTJs와 p-bits를 기반으로 한 미래의 하드웨어 구현 개발을 지원합니다.
원문 초록
This work presents a tool for the synthesis and simulation of probabilistic architectures for solving combinatorial optimization problems by mapping them to the Ising model. The proposed approach automatically constructs the Ising Hamiltonian and determines the number of probabilistic elements (p-bits) based on problem characteristics such as size and topology. Furthermore, the tool introduces an adaptive strategy for selecting the most suitable update algorithm among Gibbs Sampling, Simulated Annealing (SA), Simulated Quantum Annealing (SQA), and cluster-based methods. Experimental results using benchmark problems demonstrate improved convergence behavior and flexibility compared to fixed approaches. The proposed framework enables systematic evaluation of probabilistic computing strategies and supports the development of future hardware implementations based on MTJs and p-bits.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.19533v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
방사선 치료 스케줄링을 위한 최적화 모델 비교
Comparing Optimization Models for Radiotherapy Scheduling
방사선 치료 스케줄링 문제(Radiotherapy Scheduling Problem, RTSP)는 방사선 치료를 받는 환자들에 대한 최적 일정을 결정하는 문제로, 방사선 치료가 암 치료에서 핵심적인 역할을 하므로 임상 결과에 큰 영향을 미치는 과업이다. 하루가 끝날 때 새로 도착한 모든 환자를 함께 스케줄링하는 일일 배치 접근법은 정수 선형 계획(Integer Linear Programming)으로 모델링되며, 현재 RTSP에 대한 가장 효과적인 방법 중 하나이다. 그러나 이러한 형식화는 시간과 메모리 측면에서 상당한 계산 자원을 필요로 한다. 본 연구에서는 RTSP First Fit과 RTSP Best Fit이라는 두 가지 새로운 탐욕적 휴리스틱(greedy heuristics)을 개발하고, 이를 시뮬레이티드 어닐링(Simulated Annealing, SA) 접근법의 구성적 휴리스틱(constructive heuristics)으로 사용하여 스케줄링을 최적화함으로써 이러한 한계를 해결한다. 제안된 방법——휴리스틱 단독 및 SA와의 결합——은 공개 데이터셋에서 두 가지 서로 다른 최신 정확 솔버(exact solvers)로 풀린 정수 선형 프로그램(integer linear program) 형식화와 비교하여 평가된다. 평가 지표에는 환자 대기 시간, 선호도 충족, 선형 가속기(linear accelerator) 배정 변경(네 가지 서로 다른 가중치 구성으로 집계)을 포착하는 여섯 가지 스케줄링 목표, 풀이 시간, 메모리 소비가 포함된다. 결과는 새로운 휴리스틱이 정확한 방법들의 해에 근접한 해를 달성하면서 실행 시간과 메모리 사용량을 극적으로 줄인다는 것을 보여준다. 또한 SA와 결합하면 실행 시간과 메모리 사용량을 낮게 유지하면서 해의 품질을 더욱 향상시킨다.
의무의 해밀토니안 표현을 통한 선거구 최적화(COTHROM): 아일랜드 선거구 경계의 알고리즘적 재편
Constituency Optimisation Through Hamiltonian Representation Of Mandates (COTHROM): Algorithmic Redistricting of Irish Election Boundaries
아일랜드의 비례 대표 단일 이동표(PR-STV) 제도에서 선거구 재편은 방대한 가능 구성 집합 가운데 최적으로 대표성 있는 선거구 경계 집합을 선택해야 하는 과제에 직면하며, 여기서 '대표성'은 종종 서로 긴장 관계에 있는 헌법적 목표들의 미묘한 균형을 의미한다. 우리는 상호 트레이드오프(trade-off)를 명시적이고 정량화 가능하게 만들면서 여러 헌법적 요건을 체계적으로 최적화하는 아일랜드 선거구 재편을 위한 최초의 계산 프레임워크를 제시한다. 선거구 재편 문제는 통계물리학을 사용하여 분석되며, 헌법적 목표는 Potts 해밀토니안의 항으로 간주된다. 마르코프 연쇄 몬테카를로(MCMC) 방법과 시뮬레이티드 어닐링(simulated annealing)을 사용하여 결합 상수를 목표 가중치의 대리 변수로 하여 이 구성 공간을 체계적으로 탐색하면서 이 목적 함수를 최소화한다. 다중 기준 의사결정 분석(MCDA)과 파레토 최적성(Pareto Optimality)은 특정 목표 가중치 조합을 다른 조합보다 선택할 때의 모호성을 해소하는 데 활용된다. 코르크 주(County Cork)에서 평가된 비례 대표성과 치밀성(compactness) 목표에 관하여, COTHROM은 다양한 목표 가중치에 대해 기존의 법적 선거구 경계를 지속적으로 개선한다.
열역학적 하드웨어에서의 에너지 효율적인 코돈 최적화
Energy-efficient codon optimization on thermodynamic hardware
연산을 위한 증가하는 에너지 수요는 점점 더 지속 불가능해지고 있습니다. 열역학적 컴퓨팅(thermodynamic computing)은 물리적 열적 변동을 억제하는 대신 연산 자원으로 활용하여, 확률적 및 조합적 작업에 대해 자릿수(order-of-magnitude) 수준의 에너지 절감 효과를 제공합니다. 연산 최적화와 샘플링에 크게 의존하는 제약 연구개발(R&D)은 자연스러운 응용 분야입니다. 본 연구에서는, 우리가 아는 한, 프로토타입 측정에 기반한 에너지 추정치와 함께 열역학적 하드웨어에 매핑된 최초의 구체적인 제약 응용을 제시합니다. 우리는 약물 개발에서 일상적으로 해결되는 조합 문제인 mRNA 코돈 최적화를 이징 모델(Ising model)로부터의 샘플링으로 축소하여, 열역학적 샘플링 유닛(TSU)에서 직접 실행 가능하게 만들었습니다. SARS-CoV-2 스파이크 단백질에 대해 세 가지 접근 방식(Potts 샘플링, 이징 샘플링, 유전자 알고리즘 기준선)을 벤치마킹한 결과, 모두 비슷한 최적화 품질(점수 ~234-240)을 달성했지만, 검증된 하드웨어 모델에 기반한 에너지 추정치에 따르면 TSU가 기존 GPU보다 약 10e6배 더 적은 에너지를 사용하여 이 문제를 해결할 수 있는 것으로 나타났습니다. 모든 코드는 오픈 소스 라이선스 하에 공개되었습니다.
MMAO: 연속 및 이산 최적화를 위한 내인성 자원 할당 기반 대사적 다중 에이전트 옵티마이저
MMAO: A Metabolic Multi-Agent Optimizer with Endogenous Resource Allocation for Continuous and Discrete Optimization
Minimal MMAO: 적응형 메타휴리스틱 탐색을 위한 자원 폐쇄 루프 프레임워크
Minimal MMAO: A Resource-Closed-Loop Framework for Adaptive Metaheuristic Search
공정 예산 연속 및 이산 벤치마크에서 MMAO의 대규모 실증 평가
A Large-Scale Empirical Evaluation of MMAO Under Fair-Budget Continuous and Discrete Benchmarks
토론
이 논문과 연결된 포럼 글이 아직 없습니다.