华盛顿大学圣路易斯分校麦凯维工程学院的Shantanu Chakrabartty教授及其团队近日开发了一种名为NeuroSA的创新工具，该工具能够超越传统程序性方法，为从物流到药物研发等领域的复杂优化问题提供新解决方案。

Chakrabartty教授表示，计算机在解决程序性问题上已表现出色，但NeuroSA的不同之处在于，它以人类神经生物学功能为模型，并借助量子力学行为来找到并保证最佳解决方案，且相比现有方法更为可靠。

这项研究由多所大学合作完成，成果发表于《自然通讯》杂志。研究起源于特柳赖德神经形态和认知工程研讨会，由Chakrabartty教授与研究生Zihao Chen共同领导。

“我们致力于寻找比以往基于人类学习模型的计算机更高效的解决问题方法，”Chakrabartty说道，“NeuroSA旨在解决‘发现’问题，这是机器学习领域最具挑战性的任务之一，目标是揭示新的、未知的解决方案。”

在优化过程中，退火是探索不同可能解以确定最佳解的关键步骤。NeuroSA采用了福勒-诺德海姆(FN)退火器，利用量子力学隧穿原理高效地寻找最优解。Chakrabartty教授指出，FN退火器是NeuroSA的“秘密武器”，使其在搜索行为上更为强大。

“NeuroSA的结构模仿了我们大脑中的神经元和突触，但其搜索行为由FN退火器决定，”Chakrabartty解释道，“这种神经与量子之间的桥梁，使得NeuroSA能够在足够的时间内保证找到解决方案。”

尽管NeuroSA寻找最佳解决方案的时间可能因问题复杂性而异，从几天到几周甚至更长时间不等，但这种保证对于复杂问题的解决至关重要。

研究团队已在SpiNNaker2神经形态计算平台上证明了NeuroSA的实际可行性。未来，Chakrabartty预计该工具将应用于优化供应链、制造和运输服务中的物流，以及通过探索最佳蛋白质折叠和分子结构来发现新药。

更多信息： Zihao Chen 等，《使用 Fowler-Nordheim 退火器的 ON-OFF 神经形态 ISING 机》，《自然通讯》(2025 年)。期刊信息： 《自然通讯》