Naukowcy zaprezentowali przełomową metodę skalowania modeli AI do urządzeń termodynamicznych opartych na modelu Isinga, łącząc teoretyczne podstawy z praktyką poprzez czysty algorytm oparty na backpropagacji. Uzyskane wyniki to dokładność 94,9 proc. na benchmarku CIFAR-10 i 76,0 proc. na CIFAR-100 przy użyciu binarnego próbkowania Gibbs, co stanowi konkretny dowód na możliwość trenowania głębokich sieci konwolucyjnych dla tego typu sprzętu.
Klucz do innowacji leży w transformacji teoretycznego wykazania, że wysokotemperaturowe systemy Gibbs-próbkowane mogą implementować feed-forward inference, w praktyczną metodę treningową. Zespół opracował również matematyczną teorię wiążącą koszt inferencji z dokładnością oraz metody kontrolowania czasów autokorelacji, co pozwala na precyzyjne zarządzanie trade-offami między wydajnością a efektywnością energetyczną.
Znaczenie pracy wykracza poza same wyniki numeryczne. Opracowane algorytmy obliczają optymalny harmonogramy inferencji, a autorzy dyskutują o implikacjach dla rozwoju przyszłych urządzeń sprzętowych. Dla branży AI to potencjalnie istotny krok w kierunku efektywnych energetycznie rozwiązań edge computingowych, gdzie termodynamiczne maszyny Isinga mogą oferować zarówno niskie pobory mocy, jak i zdolność do uruchamiania zaawansowanych modeli głębokich.