Loading...
机构名称:
¥ 1.0

Ising模型的基态搜索可以用来解决很多组合优化问题。在目前的计算机架构下,一种适合硬件计算的Ising基态搜索算法对于解决实际问题是必不可少的。受弹簧势能转换的启发,我们提出了一种基于弹簧振动模型的点卷积神经网络基态搜索算法,即Spring-Ising算法。Spring-Ising算法将自旋看作一个连接到弹簧上的运动质点,并建立所有自旋的运动方程。Spring-Ising算法可以通过神经网络的基本结构映射到GPU或者AI芯片上,实现快速高效的并行计算。该算法对于Ising模型的求解有着非常高效的效果,已经在公认的测试基准K 2000中进行了测试。该算法引入动态平衡的概念,通过动态调整弹簧振动模型中Ising模型的权重,实现更细致的局部搜索。最后是简单的硬件测试速度评估。 Spring-Ising算法可以提供在专注于加速神经网络计算的芯片上计算Ising模型的可能性。

摘要简介

摘要简介PDF文件第1页

摘要简介PDF文件第2页

摘要简介PDF文件第3页

摘要简介PDF文件第4页

摘要简介PDF文件第5页

相关文件推荐

2024 年
¥1.0
2023 年
¥2.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2021 年
¥1.0
2021 年
¥1.0
2020 年
¥1.0
2022 年
¥3.0
2020 年
¥1.0
2024 年
¥2.0
2021 年
¥2.0
2022 年
¥1.0
2024 年
¥10.0
2025 年
¥1.0
2020 年
¥52.0
2019 年
¥1.0
2021 年
¥1.0
2024 年
¥19.0
2022 年
¥1.0
2022 年
¥1.0
2021 年
¥1.0
2023 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2024 年
¥29.0