量子科技中心_量科网

相干伊辛机（CIM）是一种受量子启发的计算平台，其通过搜索伊辛哈密顿量的基态来解决组合优化问题，核心机制基于光学参量振荡动力学。传统CIM方案在处理非均匀耦合强度及计算过程中保持振幅稳定性方面存在挑战。本工作提出一种新型全局平均振幅反馈增强型脉冲神经网络CIM（GFSNN-CIM），该模型采用物理驱动的振幅稳定机制动态平衡非线性增益饱和与耦合效应。这种改进显著增强了光脉冲网络的同步性，使系统在变化相互作用强度下具有更鲁棒的收敛性。在Max-Cut问题上的实验验证表明，相较于传统脉冲神经网络CIM，GFSNN-CIM的求解成功率最高可提升27%，且可扩展性随问题复杂度增加而提高。该团队进一步将其应用于交通分配问题（TAP），该方法在粗离散化条件下仍能保持近连续精度（偏差<0.035%），同时在北京路网（481个自旋）的大规模测试中验证了其实际应用价值。这些突破建立了一个物理自洽的优化框架，其中光脉冲动力学直接编码组合问题，为复杂优化任务中可扩展的高性能CIM实现开辟了新路径。