相干伊辛机（CIM）正突破传统计算瓶颈。NTT 与东北大学开发的单光子 CIM ，首次实现在⟨n⟩≤1光子数下运行，相比传统CIM实现能耗降低达1000倍。在最大割问题（N=100）测试中，最优解获取率由55%提升至82%。此外，采用“集体决策”方法后，成功率最高达90%（传统方法最低仅4%）；“压缩真空输入”技术使成功率再提高超过20%。该成果验证了量子涨落可提升全局寻优能力，SPCIM 有望引领超低能耗量子计算发展。

在科技飞速发展的今天，我们对计算能力的需求似乎永无止境。从预测天气到优化物流路线，从药物研发到金融风险管理，许多实际问题都涉及到复杂的优化计算。然而，传统的数字计算机在面对这些复杂问题时，正逐渐显露出其局限性。而相干伊辛机（CIM）另辟蹊径，用光学振荡器网络模拟物理系统的 "能量最低原理"，就像水珠总会流向地势最低处一样，自动找到优化问题的最优解。

NTT Research的物理与信息学(PHI)实验室与东北大学信息科学研究生院(GSIS)在《量子科学与技术》期刊上联合发表了一篇题为“用于约束优化问题的单光子相干伊辛机”的论文。该论文是一项正在进行的合作的一部分，该合作旨在研究利用高性能计算(HPC)开发大规模相干伊辛机(CIM)模拟平台的方法。

  传统计算的困境与伊辛机的兴起​

图1 仅含三个自旋的组合聚类能量景观

传统数字计算机基于冯・诺依曼架构，在处理常规任务时表现出色。但当遇到组合优化问题时，它们往往力不从心。组合优化问题，如旅行商问题（TSP）、最大割问题等，需要在众多可能的组合中找到最优解。随着问题规模的增大，可能的组合数量呈指数级增长，这使得传统计算机的计算时间变得难以承受。例如，一个 100 个城市的旅行商问题，可能的路线组合数超过了 10^157 次方，即使是最强大的超级计算机，也需要数万亿年才能遍历所有可能。​
为了突破这一困境，科学家们开始探索新的计算范式。伊辛机应运而生，它以伊辛模型为基础，通过模拟物理系统中自旋的相互作用来求解优化问题。伊辛模型的能量函数可以表示为：​

其中，σ_i​ ∈{−1,+1} 代表 “自旋”，J_ij​ 是自旋间的耦合强度，​h_i​ 是外场（塞曼项）。伊辛机的目标是找到使能量 H 最小的自旋配置，这对应优化问题的最优解。相干伊辛机（CIM）作为伊辛机的一种，利用光参量振荡器（DOPO）网络来模拟自旋行为，近年来备受关注。​

  单光子 CIM 的突破​

NTT Research 的物理与信息学（PHI）实验室与东北大学信息科学研究生院（GSIS）的联合研究，在伊辛机领域取得了重大突破。他们提出的单光子相干伊辛机（Single photon coherent Ising machine，以下简称 SPCIM），以颠覆性的技术革新重塑了光计算范式。该设备开创性地采用单脉冲平均光子数 ⟨n⟩≤1 的极弱光状态，这一参数相较传统相干伊辛机（CIM）呈现数量级差异。在传统 CIM 中，光子数通常满足 ⟨n⟩≫1，其动力学遵循经典光学方程；而 SPCIM 在量子边界条件下运行，通过引入量子涨落与非局域纠缠，突破了传统计算框架的性能瓶颈。

从理论层面分析，SPCIM 的突破建立在对量子态操控的深刻理解之上。在传统光学计算中，系统演化由郎之万方程描述：

其中 α 为光场复振幅，γ 为衰减率，ξ(t) 为高斯白噪声。当 ⟨n⟩≫1 时，噪声项的相对贡献可忽略，系统呈现确定性演化。而在 SPCIM 中，通过降低光子数至量子区域，噪声驱动的随机过程主导动力学，对应福克态的跃迁概率由主方程决定：

这种量子涨落诱导的 “振幅跳跃” 现象，使得系统能够在能量景观中实现非局域探索，相较于传统 CIM 的单自旋翻转机制，大幅提升了全局寻优效率。

实验层面，研究团队通过精密的量子光学系统实现了这一理论构想。在组合优化任务测试中，SPCIM 在解决 N=100 节点的最大割问题时，相比传统 CIM 能耗降低达 3 个数量级，且最优解获取概率提升至 82%（传统方法约为 55%）。这一成果不仅挑战了 “光越强性能越好” 的传统认知，更证明量子纠缠与反馈机制在构建超低能耗、高性能计算系统中的巨大潜力。

  单光子 CIM 的工作原理​

从优化问题到伊辛模型​

要理解单光子 CIM 的工作原理，首先要知道如何将实际的优化问题转化为伊辛模型。以组合聚类问题为例，这是一种无监督学习任务，旨在将数据点按相似度分组。假设我们有N个数据点，要分成K类，目标是最小化类内距离和。通过数学变换，可以将这个问题转化为伊辛模型的能量函数形式，其中自旋变量σi表示数据点i所属的类别，耦合强度J_ij反映数据点之间的相似度，塞曼项h_i则与类别约束相关。

图2 单光子 CIM-CAC 系统

单光子 CIM 的独特设计​

传统 CIM 使用大量光子，其动力学接近确定性过程，容易陷入局部最优解。而单光子 CIM 通过三个关键设计实现了突破：​

（1）单光子 / 低光子数运行：当每脉冲光子数极少时，量子噪声的影响变得显著。这种量子噪声能够诱导 “振幅跳跃”，使系统能够同时翻转多个自旋，从而更容易跳出局部最优解，找到全局最优。相比之下，传统 CIM 只能单自旋翻转，在遇到强塞曼项时，很难突破局部最优的陷阱。​

（2）压缩真空输入提升信噪比：单光子信号极其微弱，传统测量方法容易受到噪声的干扰。研究团队采用压缩真空态作为探测光，通过量子压缩技术减少测量噪声。这一技术将信噪比从传统的4n提升至 4n(n+1)（n 为光子数），有效提高了信号的检测精度。
​
（3）集体决策削弱测量误差：由于单光子信号的单次测量误差较大，团队采用 “集体决策” 的方法，即多次测量后估计平均振幅，而不是依赖单次测量结果。这种方法有效地消除了噪声干扰，即使在总光子数不足 1 的情况下，也能保持较高的成功率。​

  单光子 CIM 的性能优势​

为了验证单光子 CIM 的性能，研究团队进行了一系列实验。他们以 8 个数据点、3 类别的组合聚类问题为测试对象，对比了经典 CIM、传统 CIM 和单光子 CIM 在 100 个问题实例上的表现。实验结果显示：​

图3 经典 CIM 与（a）标准 CIM、（b）单光子 CIM 的成功率对比

成功率大幅提升：经典 CIM 在部分实例中成功率低至 0.04，而单光子 CIM 在所有实例中成功率均高于经典 CIM，最差情况仍有 0.90。这表明单光子 CIM 在解决复杂优化问题时具有更高的可靠性。​

图4 采用标准真空输入（G=1）的物理 CIM 成功率

集体决策的关键作用：个体决策（依赖单次测量）在单光子 regime 成功率不足 0.2，而集体决策通过多次测量估计平均振幅，成功率在单光子附近（n≈1）达到峰值 0.8 以上。这充分证明了集体决策方法在单光子 CIM 中的有效性。​

压缩真空输入的积极影响：标准真空输入（​G=1）在部分实例中成功率不足 0.5，而压缩真空输入（​G=2）通过减少噪声，使几乎所有实例的成功率提升 20% 以上。这进一步验证了压缩真空输入对提高单光子 CIM 性能的重要性。​

  单光子 CIM 的前景与挑战​

单光子 CIM 的成功，证明了量子噪声并非障碍，反而能成为突破计算瓶颈的关键。它90%+ 的高成功率，为解决复杂优化问题提供了一种全新的、高效的方法：利用量子特性突破了统计算的局限，在极低能耗下实现高性能计算。这项研究不仅为构建节能、高效的量子加速器提供了新路径，也为解决现实中的工业优化问题，如物流调度、资源分配等，打开了新的可能性。​

然而，单光子 CIM 仍面临一些挑战。例如，如何进一步提高其计算规模，以应对更复杂的实际问题；如何优化系统设计，提高其稳定性和可靠性。NTT Research 和东北大学计划继续合作，共同实现单光子 CIM 的物理实现，并开发大规模模拟环境 Cyber CIM，为工业问题的解决方案提供支持。随着研究的深入和技术的不断进步，单光子 CIM 有望在未来的计算领域发挥重要作用，为我们解决各种复杂问题带来新的希望。​

 

---

论文链接：Single photon coherent Ising machines for constrained optimization problems - IOPscience

相干伊辛机（CIM）正突破传统计算瓶颈。NTT 与东北大学开发的单光子 CIM ，首次实现在⟨n⟩≤1光子数下运行，相比传统CIM实现能耗降低达1000倍。在最大割问题（N=100）测试中，最优解获取率由55%提升至82%。此外，采用“集体决策”方法后，成功率最高达90%（传统方法最低仅4%）；“压缩真空输入”技术使成功率再提高超过20%。该成果验证了量子涨落可提升全局寻优能力，SPCIM 有望引领超低能耗量子计算发展。

在科技飞速发展的今天，我们对计算能力的需求似乎永无止境。从预测天气到优化物流路线，从药物研发到金融风险管理，许多实际问题都涉及到复杂的优化计算。然而，传统的数字计算机在面对这些复杂问题时，正逐渐显露出其局限性。而相干伊辛机（CIM）另辟蹊径，用光学振荡器网络模拟物理系统的 "能量最低原理"，就像水珠总会流向地势最低处一样，自动找到优化问题的最优解。

NTT Research的物理与信息学(PHI)实验室与东北大学信息科学研究生院(GSIS)在《量子科学与技术》期刊上联合发表了一篇题为“用于约束优化问题的单光子相干伊辛机”的论文。该论文是一项正在进行的合作的一部分，该合作旨在研究利用高性能计算(HPC)开发大规模相干伊辛机(CIM)模拟平台的方法。

  传统计算的困境与伊辛机的兴起​

图1 仅含三个自旋的组合聚类能量景观

传统数字计算机基于冯・诺依曼架构，在处理常规任务时表现出色。但当遇到组合优化问题时，它们往往力不从心。组合优化问题，如旅行商问题（TSP）、最大割问题等，需要在众多可能的组合中找到最优解。随着问题规模的增大，可能的组合数量呈指数级增长，这使得传统计算机的计算时间变得难以承受。例如，一个 100 个城市的旅行商问题，可能的路线组合数超过了 10^157 次方，即使是最强大的超级计算机，也需要数万亿年才能遍历所有可能。​
为了突破这一困境，科学家们开始探索新的计算范式。伊辛机应运而生，它以伊辛模型为基础，通过模拟物理系统中自旋的相互作用来求解优化问题。伊辛模型的能量函数可以表示为：​

其中，σ_i​ ∈{−1,+1} 代表 “自旋”，J_ij​ 是自旋间的耦合强度，​h_i​ 是外场（塞曼项）。伊辛机的目标是找到使能量 H 最小的自旋配置，这对应优化问题的最优解。相干伊辛机（CIM）作为伊辛机的一种，利用光参量振荡器（DOPO）网络来模拟自旋行为，近年来备受关注。​

  单光子 CIM 的突破​

NTT Research 的物理与信息学（PHI）实验室与东北大学信息科学研究生院（GSIS）的联合研究，在伊辛机领域取得了重大突破。他们提出的单光子相干伊辛机（Single photon coherent Ising machine，以下简称 SPCIM），以颠覆性的技术革新重塑了光计算范式。该设备开创性地采用单脉冲平均光子数 ⟨n⟩≤1 的极弱光状态，这一参数相较传统相干伊辛机（CIM）呈现数量级差异。在传统 CIM 中，光子数通常满足 ⟨n⟩≫1，其动力学遵循经典光学方程；而 SPCIM 在量子边界条件下运行，通过引入量子涨落与非局域纠缠，突破了传统计算框架的性能瓶颈。

从理论层面分析，SPCIM 的突破建立在对量子态操控的深刻理解之上。在传统光学计算中，系统演化由郎之万方程描述：

其中 α 为光场复振幅，γ 为衰减率，ξ(t) 为高斯白噪声。当 ⟨n⟩≫1 时，噪声项的相对贡献可忽略，系统呈现确定性演化。而在 SPCIM 中，通过降低光子数至量子区域，噪声驱动的随机过程主导动力学，对应福克态的跃迁概率由主方程决定：

这种量子涨落诱导的 “振幅跳跃” 现象，使得系统能够在能量景观中实现非局域探索，相较于传统 CIM 的单自旋翻转机制，大幅提升了全局寻优效率。

实验层面，研究团队通过精密的量子光学系统实现了这一理论构想。在组合优化任务测试中，SPCIM 在解决 N=100 节点的最大割问题时，相比传统 CIM 能耗降低达 3 个数量级，且最优解获取概率提升至 82%（传统方法约为 55%）。这一成果不仅挑战了 “光越强性能越好” 的传统认知，更证明量子纠缠与反馈机制在构建超低能耗、高性能计算系统中的巨大潜力。

  单光子 CIM 的工作原理​

从优化问题到伊辛模型​

要理解单光子 CIM 的工作原理，首先要知道如何将实际的优化问题转化为伊辛模型。以组合聚类问题为例，这是一种无监督学习任务，旨在将数据点按相似度分组。假设我们有N个数据点，要分成K类，目标是最小化类内距离和。通过数学变换，可以将这个问题转化为伊辛模型的能量函数形式，其中自旋变量σi表示数据点i所属的类别，耦合强度J_ij反映数据点之间的相似度，塞曼项h_i则与类别约束相关。

图2 单光子 CIM-CAC 系统

单光子 CIM 的独特设计​

传统 CIM 使用大量光子，其动力学接近确定性过程，容易陷入局部最优解。而单光子 CIM 通过三个关键设计实现了突破：​

（1）单光子 / 低光子数运行：当每脉冲光子数极少时，量子噪声的影响变得显著。这种量子噪声能够诱导 “振幅跳跃”，使系统能够同时翻转多个自旋，从而更容易跳出局部最优解，找到全局最优。相比之下，传统 CIM 只能单自旋翻转，在遇到强塞曼项时，很难突破局部最优的陷阱。​

（2）压缩真空输入提升信噪比：单光子信号极其微弱，传统测量方法容易受到噪声的干扰。研究团队采用压缩真空态作为探测光，通过量子压缩技术减少测量噪声。这一技术将信噪比从传统的4n提升至 4n(n+1)（n 为光子数），有效提高了信号的检测精度。
​
（3）集体决策削弱测量误差：由于单光子信号的单次测量误差较大，团队采用 “集体决策” 的方法，即多次测量后估计平均振幅，而不是依赖单次测量结果。这种方法有效地消除了噪声干扰，即使在总光子数不足 1 的情况下，也能保持较高的成功率。​

  单光子 CIM 的性能优势​

为了验证单光子 CIM 的性能，研究团队进行了一系列实验。他们以 8 个数据点、3 类别的组合聚类问题为测试对象，对比了经典 CIM、传统 CIM 和单光子 CIM 在 100 个问题实例上的表现。实验结果显示：​

图3 经典 CIM 与（a）标准 CIM、（b）单光子 CIM 的成功率对比

成功率大幅提升：经典 CIM 在部分实例中成功率低至 0.04，而单光子 CIM 在所有实例中成功率均高于经典 CIM，最差情况仍有 0.90。这表明单光子 CIM 在解决复杂优化问题时具有更高的可靠性。​

图4 采用标准真空输入（G=1）的物理 CIM 成功率

集体决策的关键作用：个体决策（依赖单次测量）在单光子 regime 成功率不足 0.2，而集体决策通过多次测量估计平均振幅，成功率在单光子附近（n≈1）达到峰值 0.8 以上。这充分证明了集体决策方法在单光子 CIM 中的有效性。​

压缩真空输入的积极影响：标准真空输入（​G=1）在部分实例中成功率不足 0.5，而压缩真空输入（​G=2）通过减少噪声，使几乎所有实例的成功率提升 20% 以上。这进一步验证了压缩真空输入对提高单光子 CIM 性能的重要性。​

  单光子 CIM 的前景与挑战​

单光子 CIM 的成功，证明了量子噪声并非障碍，反而能成为突破计算瓶颈的关键。它90%+ 的高成功率，为解决复杂优化问题提供了一种全新的、高效的方法：利用量子特性突破了统计算的局限，在极低能耗下实现高性能计算。这项研究不仅为构建节能、高效的量子加速器提供了新路径，也为解决现实中的工业优化问题，如物流调度、资源分配等，打开了新的可能性。​

然而，单光子 CIM 仍面临一些挑战。例如，如何进一步提高其计算规模，以应对更复杂的实际问题；如何优化系统设计，提高其稳定性和可靠性。NTT Research 和东北大学计划继续合作，共同实现单光子 CIM 的物理实现，并开发大规模模拟环境 Cyber CIM，为工业问题的解决方案提供支持。随着研究的深入和技术的不断进步，单光子 CIM 有望在未来的计算领域发挥重要作用，为我们解决各种复杂问题带来新的希望。​

 

---

论文链接：Single photon coherent Ising machines for constrained optimization problems - IOPscience