长谷川靖与大关真之在固定模型、采样器与步长下比较 Ising 与 QUBO 编码，发现 QUBO 的 Fisher 信息谱熵更低、SGD 收敛更慢，而自然梯度下降使两种编码收敛趋同

在随机梯度下降下，Ising 编码在所有数据集上都比 QUBO 更快降低 KL 散度、所需迭代更少。 此前关于数字退火机、3-SAT 的 QUBO 变换以及 Ising 机线性求解器的研究已提示表示会影响有限时间优化行为，但未在固定模型、采样器与步长的玻尔兹曼机学习协议下系统隔离编码效应；本文通过固定全连接玻尔兹曼机、模拟退火采样器（β=1，10,000 样本）与学习率设计，将差异归因于编码本身。 在 BAS 2×2（450 样本）、BAS 3×3（1,120 样本）与 d=10、Jc∈{0.5,1.0,1.5}、各 2,000 样本的 Ising 采样合成数据上，作者报告“From Figures1-6, we did not observe QUBO converging faster than Ising on any dataset”，学习率取 ηSGD=0.01/λmax(Fθ)。

自然梯度下降使两种编码的 KL 散度轨迹相近，表明按 Fisher 信息矩阵度量重标定更新可恢复表示不变性。 作者将 QUBO 到 Ising 的切换刻画为等价于 Fisher 信息矩阵预条件化的中心化与重标定，并用阻尼自然梯度步 θt+1=θt+ηNGD(Fθ+λI)−1∇L(θt)（λ=0.001，ηNGD=0.01）在受控条件下验证这一信息几何解释。 在相同数据集与采样设置下，作者报告“Under NGD, KL-divergence trajectories are similar across encodings”，并指出“Proper curvature scaling (NGD) allows QUBO to achieve convergence comparable to Ising”。

QUBO 的 Fisher 信息矩阵特征值系统性更小、谱熵更低，源于一阶与二阶充分统计量之间持续的非零交叉块相关。 作者利用 Fisher 信息矩阵等于充分统计量协方差这一恒等式，将编码差异可视化为经验矩分布：Ising 的一阶矩 E[si] 与三阶矩 E[sisksl] 围绕零分布，二阶与四阶矩对称于零，使交叉块 Fh,J 很小、Fisher 信息矩阵近似块对角；QUBO 的 x∈{0,1} 不对称性使 E[xi]≈0.5、E[xixj]≈0.25，交叉块非零。 通过块形式 Fisher 信息矩阵与 Schur 界 λmin(Fθ)≤λmin(F22−F21F11−1F12) 论证：Ising 的 F12=F21≈0 而 QUBO 非零，故后者倾向产生更小特征值；图 3 显示 Ising 谱熵持续更大，图 4 显示 QUBO 在训练早期出现大特征值与极小特征值的分裂，图 5 显示较小的 Jc 延长极小特征值持续期。

对 QUBO 变量，中心化/重标定或自然梯度式预条件化可缓解曲率病态，为变量编码与预处理提供可操作指南。 作者指出由于玻尔兹曼机的 Fisher 信息矩阵等于充分统计量协方差，使一阶与二阶矩对齐的初始化与预处理可显著减少训练迭代，尤其对 QUBO 变量；并列出块对角或低秩 Fisher 信息矩阵、Kronecker 分解曲率（K-FAC）以及 Hutchinson、Lanczos、Shampoo、AdaHessian 等随机逆估计器作为可扩展自然梯度下降的候选路径。 该建议基于上述受控实验的轨迹与谱分析，以及自然梯度下降需计算或近似 F−1、其代价随参数维度增长这一观察；作者将其表述为实践指南与未来方向，而非已完成的规模验证。

该结果适用于固定全连接玻尔兹曼机、模拟退火采样器（β=1，10,000 样本）与既定学习率设计下的受控比较，覆盖 BAS 2×2、BAS 3×3 以及 d=10、Jc∈{0.5,1.0,1.5} 的 Ising 采样合成数据。对使用随机梯度下降训练玻尔兹曼机或受限玻尔兹曼机的实践者，这意味着在 SGD 下优先选择 Ising 编码，或在保留 QUBO 时采用中心化/重标定或自然梯度式预条件化；对研究信息几何的读者，这提供了将编码选择理解为 Fisher 信息矩阵预条件化的框架。作者进一步指出，可扩展自然梯度下降可借助块对角或低秩 Fisher 信息矩阵、K-FAC 以及 Hutchinson、Lanczos、Shampoo、AdaHessian 等随机逆估计器实现。

作者列出的未来方向包括：基于矩匹配的初始化方案、由谱监测驱动的自适应阻尼策略、使用量子与数字退火机的硬件感知研究（含量子退火 RBM 训练中有效逆温度的在线校准），以及向变量表示与层级结构相互作用的深层能量模型的扩展。读者可留意这些方向是否在更大规模、更深层模型与真实退火硬件上复现本文的编码差异；本文实验为小规模全连接玻尔兹曼机，自然梯度下降的 F−1 计算或近似代价随参数维度增长，其可扩展性仍待验证。