从2026狄拉克奖与自旋玻璃说起：寻找“低能态”的伊辛计算之路

2026年8月，ICTP公布当年的狄拉克奖得主：Bernard Derrida、Deepak Dhar、Marc Mézard和Haim Sompolinsky。授奖理由中出现非平衡统计物理、优化、理论神经科学与人工智能等关键词[1]，这些主题已超出传统物理学边界。两年前，2024年诺贝尔物理学奖授予John Hopfield和Geoffrey Hinton[2]。

2026年ICTP狄拉克奖章获奖者Bernard Derrida、Deepak Dhar、Marc Mézard 和 Haim Sompolinsky [1]

两个奖项虽然关注的问题不同，但是在同一个研究方向上形成了交汇：统计物理思想正在跨入神经网络、优化与AI。如果再向前追溯，还会发现一条更隐蔽的脉络——从伊辛模型、自旋玻璃、复杂能量景观，到今天的伊辛计算。

磁性材料内部“磁针”的排列规律，是20世纪初物理学关注的具体问题。Wilhelm Lenz与Ernst Ising在1920年代提出的伊辛模型（Ising model）把它提炼归纳：

• 每个微观节点只有两种状态，记作+1和-1；

• 节点之间存在相互作用，倾向于一致或相反；

• 整个系统用一个能量函数描述。

最常见的形式是：

其一般性结论是：复杂系统里的每个局部选择都会影响其他部分，整个系统倾向于寻找总体更稳定的状态。

在节点关系简单的情形下，系统容易找到最低能量状态；但现实并非如此。一个节点可能想和A一致，又想和B相反，而A和B之间还存在其他冲突。局部规则彼此冲突，整个系统进入物理学上称为阻挫（frustration）的状态。这正是自旋玻璃（spin glass）的核心特征：面对的不是平滑山谷，而是局部低谷密集分布的能量景观。大量低谷彼此竞争，系统很容易陷入其中之一，却难以判断该处是否全局最优。

这种“在大量可能状态中寻找更优状态”的困难，与现实世界中的许多组合优化问题在形式上可以建立对应。2026年的狄拉克奖，正是这种跨域迁移的一次集中呈现。

2026年狄拉克奖的重要意义之一，在于它集中呈现了统计物理向其他复杂系统领域的迁移。

Bernard Derrida提出的随机能量模型（Random Energy Model）[1]帮助人们理解：当系统拥有海量可能状态时，少数低能态将主导最终行为。

Deepak Dhar在非平衡统计物理、沙堆模型与自组织临界性上的工作[1]，表明统计物理不仅能描述趋于平衡的材料，也适用于研究持续演化、临界、突变与涌现的复杂系统。

Marc Mézard是自旋玻璃和复杂系统研究的重要代表人物之一。他与Parisi、Zecchina等人将统计物理方法引入随机SAT，发展出survey propagation等算法[6]——在大规模随机实例上具有显著优势，但在高度结构化的问题上并不总是优于专用算法。

Haim Sompolinsky与合作者用自旋玻璃的统计力学方法研究神经网络容量、吸引子与相变[1]，使“多体系统”“ 稳定态” “能量景观”等概念进入对记忆与学习的分析。

四人方向不同，但共同之处在于：统计物理正在成为研究复杂系统组织与演化的统一框架。

自旋玻璃与人工智能之间，最直观的桥梁之一是Hopfield网络[2]。

1982年，John Hopfield在PNAS发表的经典论文[3]中，把神经网络描述为由大量二值节点构成的相互作用系统，并为网络定义了类似物理系统的能量函数。在一定条件下，网络状态沿能量下降方向演化，最终停留在某个稳定状态。

生物神经元与人工神经网络的连接关系示意。人工网络以节点和连接抽象神经元及其相互作用。[2]

在磁性材料中，这种稳定状态对应某种自旋排列；在Hopfield网络中，则对应一个被“记住”的模式。例如，给网络输入一幅残缺图像，它可通过状态更新逐渐逼近已存储的完整模式。

这一“低能态对应记忆”的映射，是后续所有伊辛机思想的重要雏形。Geoffrey Hinton等人随后发展的玻尔兹曼机[2]，进一步把统计物理中的随机性引入机器学习。

Hopfield网络、玻尔兹曼机与受限玻尔兹曼机的结构对比，展示从关联记忆网络到引入隐藏节点和随机机制的网络模型演进。[2]

应当指出，今天绝大多数AI系统并非建立在自旋玻璃之上——统计物理对早期神经网络的意义，更多在于提供模型语言与分析工具，而非底层架构。

几乎同一时期，另一条独立路线开始发展。1983年，Scott Kirkpatrick等人在Science发表的经典论文[4] 提出模拟退火（Simulated Annealing）：高温时系统有较强随机扰动，可跳出局部低谷；随“温度”下降，系统逐渐稳定，有机会找到较低能量的状态。

模拟退火在不同温度下的解分布。横轴为微处理器两路划分所需的引脚总数；随着温度降低，解逐渐向较低成本区域集中。箭头表示多次快速淬火中获得的最佳结果 [4]

模拟退火把优化问题翻译为寻找低能状态的过程：物理系统寻找低能态，优化问题寻找低成本或更符合约束的方案。两者可通过同一目标函数建立联系。

现实中的排程、路径规划、图划分、资产组合等问题，变量增多时可能方案的组合数会快速膨胀，简单穷举难以找到最优解。由此自然引出一个问题：如果一个现实问题能写成类似的“能量函数”，能否由专用系统直接参与低能状态的搜索？这一思路构成了后续伊辛机研究的起点。

在进入伊辛机之前，现实问题须先经数学建模。常见的两种表达是Ising和QUBO（Quadratic Unconstrained Binary Optimization）[5]。建模过程相当于一次“翻译”——把“哪种业务方案更优”转换为“哪一组±1状态对应的目标函数值更低”。

通常包括四个步骤：

1. 确定哪些业务决策变成二值变量；

2. 把成本、收益等目标写入目标函数；

3. 把必须满足的约束转为惩罚项；

4. 形成QUBO矩阵或Ising模型的耦合与偏置。

这一步在实际工程中尤为关键。约束复杂、辅助变量过多或惩罚权重设置不当，都会使映射后的问题规模膨胀，甚至改变原有的能量地形——最终获得的“低能解”可能只是建模妥协，而非原始问题的真正好答案。Lucas 2014年的综述[5]系统讨论了辅助变量引入对问题规模的影响；实际项目中，QUBO矩阵维度常膨胀至原始问题规模的数倍。

因此，从业务问题到伊辛机，需要经过严格的数学转换。建模本身就是工程能力的一部分。

伊辛机（Ising machine）[7]是面向Ising/QUBO问题的专用求解系统：把目标函数的耦合和偏置加载到物理或计算系统中，让其参与状态搜索并输出低能量候选解。

伊辛机的物理求解原理：将自旋相互作用映射为物理系统的损耗结构，通过系统演化使低损耗状态占优，从而搜索 Ising 模型的低能解 [8]

现有伊辛机的实现路线包括量子退火、光学参量振荡、电子、数字退火等多种[7]。“伊辛机”描述的是一种计算范式，而非某类特定硬件——它不等同于通用量子计算机。同时，由于复杂能量景观中存在大量局部低谷，实际系统还会受演化时间、噪声、精度、读出等因素影响，伊辛机通常寻找的是低能、高质量的候选解，并不保证全局最优[7]。

大规模伊辛系统从随机状态向低能状态演化的实验结果。随着迭代推进，自旋配置逐步形成稳定结构、Ising 能量下降；不同参数和演化时间会影响找到基态或高质量低能解的概率 [8]

AI系统在自动决策、资源调度等场景的应用持续拓展，组合优化任务随之变得更加普遍。计算产业的演进呈现出一条清晰的规律：当某一类计算任务足够重要、足够频繁，且具有相对明确的数学结构时，就值得探索专用计算架构。

组合优化正在成为这样一类任务。许多业务问题——资源分配、排程调度、路径规划、资产组合——都涉及在大量约束下寻找较优方案，其数学结构与Ising/QUBO天然契合。组合优化也由此成为伊辛机工程化共识较高的应用方向[7]。

把上述伊辛机范式推向工程实践，伊辛智能以光电伊辛计算解决方案提供商为定位，以光电参量振荡技术和伊辛模型为技术基底，覆盖硬件、配套与云端算力三层产品，致力于推动非冯诺依曼架构专用计算机的实用化落地。

围绕这一目标，伊辛智能从研究到产品都做了系统性投入。

在研究方面，伊辛智能核心团队成员，在中科院半导体所李明研究员带领下2022年于《Light: Science & Applications》发表OEPO大规模伊辛机研究[8]，以短微波脉冲为人工自旋，实现25,600自旋规模下超过12小时的稳定运行。2026年，伊辛智能与中国科学院半导体研究所团队联合发布相关研究进展[9]，探索“模拟全局探索+数字反馈校正”相融合的求解范式。

混合神经形态光电伊辛机（HNOIM）的架构与实验实现（上图）数字反馈处理算法；（底部）实验装置示意图 [9]

在产品与场景方面，团队已在金融、物流两个方向做了早期探索：在金融场景与某头部券商合作，把组合优化问题映射到QUBO矩阵，初步验证了50–500只股票规模问题的可行性；在物流场景与某物流企业探索车辆调度的伊辛建模。

这条路线已在多个维度持续推进，发展轨迹与GPU早期相似。

自旋玻璃揭示了复杂能量景观的统计结构，伊辛机则是利用这种景观求解组合优化的工程工具——两者共享Ising模型这一基底，但前者关心"为什么这么难"，后者关心"怎么更快找到足够好的解"。伊辛机不会取代CPU或GPU，但在特定结构的决策问题上，正在成为受到关注的算力变量。

狄拉克奖今年颁给统计物理，使这条脉络再次回到公众视野。沿这条脉络重新回看，伊辛计算如何从理论走向专用计算，有了更清晰的轮廓。对组合优化问题而言，开辟了一条在CPU与GPU之外的求解路径。

如果您正在关注金融、物流等场景下的组合优化问题，欢迎与伊辛智能共同探索适合Ising/QUBO建模的任务，以及专用算力在真实业务中的应用边界。

参考资料与信源（滑动查看更多）