简单对比量子计算与神经形态计算

（部分内容需要科学上网） 量子计算

量子计算是一种新兴技术，具有解决复杂问题的巨大潜力，因为它有效地应用了量子力学的特性，例如叠加和纠缠。然而，与任何技术一样，也有缺点：

纠错：

就像早期的经典计算一样，纠错是当今量子计算的主要痛点。量子计算机对噪声敏感且难以校准。与会经历从 0 到 1 或从 0 到 1 的位翻转的传统计算机不同，量子错误更难纠正，因为量子位可以采用无限数量的状态。

硬件和温度：

由于量子计算机需要将原子减速到接近静止状态，因此它们的处理器必须保持在绝对零 (-273°C) 或附近。即使是最微小的波动也可能导致不必要的运动，因此确保它们不受大气压力并且与地球磁场绝缘同样重要。

可扩展性

：虽然量子计算机在某些任务上表现出了令人印象深刻的性能，但与经典计算机相比，它们仍然相对较小。将量子计算机扩展到数百或数千个量子位，同时保持高水平的相干性和低错误率仍然是一项重大挑战。

神经形态计算

相比之下，神经形态计算机不会面临这些限制。在室温下在传统硬件（图形处理单元，GPU）上运行，计算的位数几乎没有限制。可以在神经形态退火器上有效地计算具有数百万个变量和约束的问题。 在自然界中，物理系统往往会朝着最低能量状态发展：物体从山上滑下，热的东西冷却下来，等等。这种行为也适用于

神经形态系统

（https://dynexcoin.org/neuromorphic-computing/）。想象一下，想象一个旅行者通过寻找代表问题的能量景观中的最低谷来寻找最佳解决方案。经典算法通过将旅行者放置在景观中的某个点并允许该旅行者根据当地变化移动来寻找最低谷。虽然通常下坡移动并避免爬过高的山坡是最有效的，但此类经典算法容易将旅行者引导到附近的山谷中，而这些山谷可能不是全局最小值。通常需要进行多次试验，许多旅行者从不同的地点开始他们的旅程。

在自然界中，物理系统往往会朝着最低能量状态发展：物体从山上滑下，热的东西冷却下来，等等。这种行为也适用于神经形态系统。想象一下，想象一个旅行者通过寻找代表问题的能量景观中的最低谷来寻找最佳解决方案。经典算法通过将旅行者放置在景观中的某个点并允许该旅行者根据当地变化移动来寻找最低谷。虽然通常下坡移动并避免爬过高的山坡是最有效的，但此类经典算法容易将旅行者引导到附近的山谷中，而这些山谷可能不是全局最小值。通常需要进行多次试验，许多旅行者从不同的地点开始他们的旅程。 ​相比之下，由于固有的平行现象，神经形态退火从旅行者同时占据许多坐标开始。在任何给定坐标处的概率随着退火的进行而平稳演变，概率在深谷坐标附近增加。瞬间跳跃允许旅行者穿过山丘——而不是被迫爬山——减少了被困在不是全球最小值的山谷中的机会。远程命令通过允许旅行者发现导致深谷的坐标之间的相关性来进一步改善结果。为了加快计算速度，我们的神经形态平台直接接入了难以想象的广阔现实结构——物理和生物学启发计算的奇异且违反直觉的世界。神经形态计算机不像传统计算机那样使用由 0 或 1 表示的位来存储信息，而是使用电压和电流。动态的远程行为，连同其朝向最佳能量和瞬时效应的趋势，使神经形态计算机能够同时考虑和操纵许多位组合。 Dynex 平台利用这种动态来加速和启用解决离散优化、采样和机器学习问题的新方法。Dynex 使用称为神经形态退火的过程来搜索问题的解决方案。神经形态退火从根本上不同于经典计算。它利用现实世界物理系统的自然趋势来寻找低能量状态。例如，如果优化问题类似于山峰和山谷景观，则每个坐标代表一个可能的解决方案，其高度代表其能量。最好的解决方案是能量最低的点对应于景观中最深的山谷中的最低点。 Dynex SDK

客户可以在去中心化的Dynex 神经形态计算平台

上运行计算，该平台将来会由越来越多的贡献者提供支持。这些（显卡）矿工正在运行专有的有用工作量证明 (PoUW) 算法

DynexSolve

（https://dynexcoin.org/wp-content/uploads/2023/02/dynexsolve-paper-v1.0c.pdf）。Dynex 专有的作业管理和调度系统

Dynex Mallob

可确保以尽可能最快的方式分配和计算计算作业。 一套开源 Python 工具，用于解决神经形态计算的难题。

帮助重新表述应用程序的问题，以便通过神经形态计算平台或神经形态-经典混合工作流解决。

处理您的应用程序代码与神经形态计算平台之间的通信。

计算是通过将

Dynex 处理单元

(DPU) 初始化为已知问题的基态，并将系统退火至待解决的问题，使其在整个过程中保持低能量状态来执行的。在计算结束时，每个状态都以 0 或 1 结束。这个最终状态是要解决的问题的最优或接近最优解。 资源

可以在我们的Dynex SDK GitHub （https://github.com/dynexcoin/DynexSDK）存储库上访问我们的指导性 Jupyter 笔记本以及我们的 Dynex SDK 代码示例。问题建模基于开源标准框架dimod，它是 QUBO/Ising 采样器的共享 API。它提供： 二次模型的类——例如二元二次模型 (BQM) 类，其中包含 Dynex 平台或 D-Wave 系统等采样器使用的 Ising 和 QUBO 模型——以及高阶（非二次）模型。

采样器和组合采样器的参考示例。

用于构造新采样器和组合采样器的抽象基类。

DIMOD文档（https://docs.ocean.dwavesys.com/en/stable/docs_dimod/） Dynex SDK存储库（https://github.com/dynexcoin/DynexSDK）

已经熟悉 dimod 框架的开发人员和应用程序开发人员会发现在 Dynex 神经形态计算平台上运行计算非常容易：Dynex 采样器对象可以简单地替换通常用于运行计算的默认采样器对象，例如，D -Wave系统——没有上述限制。

初学者指南

请注意，我们的存储库目前正在开发中，您会在不久的将来找到越来越多的示例代码和教程。以下是我们的一些初学者指南，演示了 Dynex SDK 的使用： 示例： BQM（https://github.com/dynexcoin/DynexSDK/blob/main/beginners_guide_example_bqm.ipynb）

示例： BQM K4 完整图（https://github.com/dynexcoin/DynexSDK/blob/main/beginners_guide_example_bqm_k4_complete_graph.ipynb）

示例： 逻辑门（https://github.com/dynexcoin/DynexSDK/blob/main/beginners_guide_example_logic_gates.ipynb）

示例： QUBO（https://github.com/dynexcoin/DynexSDK/blob/main/beginners_guide_example_QUBO.ipynb）例：反交叉问题

示例：最大独立集（https://github.com/dynexcoin/DynexSDK/blob/main/beginners_guide_example_MIS.ipynb）

示例：SAT（https://github.com/dynexcoin/DynexSDK/blob/main/beginners_guide_example_SAT.ipynb）

示例：NAE3SAT（https://github.com/dynexcoin/DynexSDK/blob/main/beginners_guide_example_random_nae3sat.ipynb）

代码示例

我们目前正在整理案例和代码，会在完成时更新此条目。

旅游规划

使用 DPU 优化多腿旅游的运动模式。

特征

选择使用互信息进行机器学习的特征选择。

RNA FOLDING

使用 DPU 找到 RNA 序列的最佳茎结构。

投资组合优化

解决投资组合优化问题的不同公式。

3D BIN PACKING

使用 DPU 使用最小数量的箱子来包装不同尺寸的物品。

JOB SHOP SCHEDULING

确定使用 DPU 在一定数量的机器上运行一组作业的计划。

水库管理

通过控制水泵来管理水库中的水位。

作物轮作

使用 DPU 为要在一组相连的地块中种植的一组作物找到最佳作物轮作。

多车喷漆车间优化

使用 DPU 解决多车喷漆车间优化问题。

AIRLINE HUB LOCATIONS

确定哪些机场应作为航空公司的枢纽位置。使用 DPU 解决。

免疫策略

找到打破人群中病毒或传染病传播周期所需的最少免疫剂量。

充电站的布置

根据现有充电站的位置和兴趣点，确定在地图上放置新充电站的位置。

密码加法

使用 DPU 解决密码加法难题。

图像分割

使用离散二次模型 (DQM) 和混合求解器执行基本图像分割。

FACTORING

使用神经形态计算的因子数。

护士调度

护士调度模型的演示。

KNAPSACK

背包问题的实施，设置为扩展到大问题规模。

结构失衡

分析签名社交网络上的结构失衡。