神经形态伊辛机：像自然一样思考，探索AI无法解决的难题

在FPGA板上实现的神经形态伊辛机能够快速探索具有指数级竞争可能性的崎岖能量景观，从而快速发现蛋白质折叠等复杂优化问题的近最优解——搜索过程从展开的链通过中间熔球态演变到最稳定的折叠结构。最困难的计算问题并非等待更快的芯片，而是等待以根本不同方式计算的机器。

一个来自科罗拉多州Telluride神经形态与认知工程研讨会以及印度科学研究所（IISc）班加罗尔神经形态工程研讨会（BNEW）的多机构团队，构建了一台将量子隧穿物理学与大脑启发架构相结合的神经形态计算机，用于求解困难的数学问题。

该成果发表在《自然通讯》上，为基于CMOS技术的量子启发计算引入了新方向。如今，AI模型或许能写小说甚至驾驶航天器，但若给它们一个物流网络、一个待布线的微芯片或一个密码锁，它们便会停滞。这些都是组合问题——计算领域最重要且尚未解决的前沿之一。

这项新研究表明，带有Fowler-Nordheim退火器的神经形态自编码器可以大规模解决这些问题，并保证渐近收敛到最优解。

这种自编码器并非简单地计算一个解——它搜索一个解，就像自然过程在复杂能量景观中导航以趋于稳定一样。几十年来，摩尔定律带来了指数级进步，使“买更快的计算机”成为解决复杂问题的可行策略。但那个时代正接近极限。

下一个数量级不会来自更小的工艺节点，而是来自以不同方式思考和计算的架构。这项合作研究由圣路易斯华盛顿大学教授Shantanu Chakrabartty领导，他的研究小组多年来一直在研究基于Fowler-Nordheim的神经形态架构。

团队成员包括IISc电子系统工程系教授Chetan Singh Thakur。参与研究的其他机构包括德国海德堡大学、巴尔的摩约翰霍普金斯大学和圣克鲁斯加州大学。

因此，这项工作代表了来自全球的神经形态工程师社区，他们定期在亚洲的班加罗尔神经形态工程研讨会、美洲的Telluride神经形态工程研讨会和欧洲的CapoCaccia神经形态研讨会上会面并集思广益。

他们正共同打造新一代机器，旨在解决计算中最困难的问题。

参考文献：Ahsan F,Maiti S,Chen Z,Kaiser J,Nandi A,Srivatsav M,Schemmel J,Andreou AG,Eshraghian J,Thakur CS,Chakrabartty S,

Higher-order neuromorphic Ising machines—autoencoders and Fowler-Nordheim annealers are all you need for scalability,

Nature Communications (2026). https://doi.org/10.1038/s41467-026-71937-4网站：https://labs.dese.iisc.ac.in/neuronics/