아날로그 이징 머신을 위한 볼츠만 강화학습 기반 잡음 저항 알고리즘

초록

본 논문은 아날로그 이징 머신(AIM)의 측정 잡음에 강인한 변분 강화학습 프레임워크 BRAIN을 제안한다. 완전 팩터라이즈된 베르누이 분포를 정책으로 사용해 볼츠만 분포를 근사하고, REINFORCE 기반 그래디언트 추정으로 잡음이 섞인 에너지 값을 보상한다. 3 % 가우시안 잡음 환경에서 98 %의 최저 상태 탐지 정확도를 달성하며, MCMC 대비 192배 빠른 수렴 속도를 보인다.

상세 분석

BRAIN은 아날로그 이징 머신의 핵심 제약인 (1) 고정밀 에너지 차이의 부재, (2) 연속적인 잡음이 섞인 에너지 측정, (3) 초고속(나노~마이크로초) 응답을 동시에 만족하도록 설계되었다. 이를 위해 저차원 파라미터 θ={m_j} 로 정의되는 완전 팩터라이즈된 베르누이 분포 q_θ(x)=∏_j m_j^{(1+x_j)/2}(1-m_j)^{(1−x_j)/2} 를 선택했으며, 이는 디지털 연산 비용을 O(N) 수준으로 낮추어 AIM의 빠른 오라클 호출에 병목이 되지 않는다.

목표는 KL(q_θ‖p)=∑_x q_θ(x)log