本發明涉及采樣裝置和采樣方法，采樣裝置包括多個更新電路和選擇電路，多個更新電路包括：存儲單元，其存儲多個狀態變量中的作為變化候選的狀態變量和另一狀態變量的每個集合的耦合系數、多個狀態變量的值以及多個局部字段的值；狀態更新單元，其基于作為變化候選的狀態變量的局部字段的值計算能量值的變化值，根據對狀態變量的值是否改變的判定來改變狀態變量的值，以及基于耦合系數來更新其他狀態變量的局部字段的值；以及分數更新單元，其根據能量值和溫度值來更新分數值；選擇電路被配置成基于多個分數值選擇由預定數量的更新電路保持的多個狀態變量的值的集合，并且輸出所選擇的多個狀態變量的值的集合。

技術領域

本文所討論的實施方式涉及采樣裝置和采樣方法。

背景技術

作為用于解決組合優化問題的方法，存在用于通過使用馬爾可夫鏈蒙特卡羅方法(the Markov chain Monte Carlo method)將組合優化問題轉換成指示磁性材料的自旋行為的伊辛(Ising)模型并且將該伊辛模型的狀態轉變為具有低能量的狀態的方法。例如，作為一種馬爾可夫鏈蒙特卡羅方法，模擬退火方法是已知的。在模擬退火方法中，通過使用溫度作為參數并且在逐漸降低溫度的同時轉變狀態，來搜索具有最低能量的狀態(最優解)。

例如，已經提出了通過使用數字電路來執行模擬退火方法的信息處理裝置(例如，參照專利文獻1)。所提出的信息處理裝置如下通過同時將多個狀態轉變設置為轉變候選來執行用于選擇單個狀態轉變的并行搜索。

信息處理裝置包括與多個狀態變量相對應的多個神經元，并且根據神經元之間的耦合系數，基于每個狀態轉變的能量變化和溫度值，允許具有預定接受概率的每個狀態轉變。信息處理裝置從允許的狀態轉變中選擇一個狀態轉變并更新該狀態。例如，使用通過蒙特卡羅(Metropolis)方法和吉布斯(Gibbs)方法定義的概率作為狀態轉變的接受概率。

此外，還提出了其中安裝有執行伊辛模型的基態搜索的一個或多個半導體芯片的信息處理系統(例如，參考專利文獻2)。

此外，提出了包括運算電路的半導體裝置，該運算電路基于指示交互模型的一個節點的狀態的值、來自另一節點的交互系數和該一個節點的偏置系數來確定指示該一個節點的下一狀態的值(例如，參考專利文獻3)。

公開了日本公開特許公報第2018-41351號、日本公開特許公報第2016-51350號和日本公開特許公報第2016-51326號作為相關技術。

當通過蒙特卡羅方法和吉布斯方法確定狀態轉變的接受概率時，每個狀態下的占用概率是根據平衡狀態下的玻爾茲曼分布(Boltzmann distribution)。因此，將通過使用馬爾可夫鏈蒙特卡羅方法通過在特定溫度下的多次狀態轉變試驗獲得的狀態和基于該狀態的值輸出為樣本，可以實現根據玻爾茲曼分布生成樣本的采樣器。所生成的樣本用于例如通過機器學習等來計算期望值。

此處，如在上述信息處理裝置中，考慮通過對多個狀態變量進行并行搜索以確定下一狀態轉變來執行采樣。在該方法中，接下來要被反轉的狀態變量是不可預測的(大體上隨機的)。在根據要反轉的狀態變量更新局部字段的定時處，發生對保持耦合系數值的存儲器的隨機訪問。因此，為了高速操作，考慮在采樣器中內置可以隨機訪問的存儲單元，并且所有耦合系數被預先存儲在存儲單元中。

另一方面，隨著狀態變量的數量增加，耦合系數的數量也增加。因此，例如，在采樣器由包括一個或多個芯片的半導體集成電路實現的情況下，存在可以使用的狀態變量的數量取決于存儲耦合系數的存儲單元的容量而被限制的問題。

本實施方式的一方面的目的在于提供能夠改善對可以使用的狀態變量的數量的限制的采樣裝置以及采樣方法。

發明內容