，其本质，都是在由无数逻辑门电路构成的沙盘上，严谨地进行着加减运算。
无论其上层架构多么复杂，其最底层的基石，都可以被还原为“与非门”
（nand）或者“或非门”
（nor）这种逻辑完备集。
它们通过亿万次高的、遵循预设逻辑的运算，一步步地逼近问题的答案。
这是一种“寻找”
答案的过程。
而“熵变核心”
，则完全跳出了这个框架。
它甚至不再拘泥于“逻辑计算”
这个行为本身。
如果说传统的计算架构是在一张巨大的地图上，用各种聪明的算法去寻找海拔最低的那个点。
那么“熵变核心”
就是直接将一颗水珠滴在这张地图上，然后静静地看着它，遵循着最基本的物理法则，重力，自然地流向那个最低点。
它更像是在一个由问题本身构筑的，充满了无数山峰与山谷的复杂能量地貌中，直接“释放”
出一个物理系统。
这个物理系统会自地，遵循着热力学与量子力学的最基本法则，向着能量最低的状态“坠落”
，这个过程被称为“退火”
。
当这个系统最终稳定下来，它所在的位置，其状态本身便是那个复杂问题的最优解。
更专业点来说，先，它会将一个待解决的复杂问题，如一个庞大的方程组或旅行商问题，通过特定的算法，映射成一个高维的“能量泛函”
。
在这个能量景观之中，问题的每一个可能解，都对应着一个特定的能量值。
而问题的“最优解”
，则对应着这个能量景观中能量最低的那个点，即“全局最优解”
或“基态”
。
这个“能量泛函”
自然也可以通过经典计算架构求解，那便是经典的数值模拟，其算法有很多，例如梯度下降法或是蒙特卡洛模拟等等。
熵变核心不求解，它在现实中直接构造出这个函数。
它将整个系统置于一个高能量，不稳定的量子叠加态，之后，它会通过精确的外部控制，缓慢地降低整个系统的“温度”
，即降低系统的总能量，引导整个系统进行“量子退火”
。
在经典的数值模拟中，一直有一个很难被解决的难点——局部最优陷阱。
一个算法在寻找全局最优解的过程中，很容易就会陷入一个局部的，并非全局最低的“能量陷阱”
之中，然后就再也无法逃逸出去。
但在量子隧穿效应的作用下，这个问题便被自然而然地解决了。
即便一个系统已经陷入了一个局部的“能量陷阱”
之中，它依旧有一定概率，可以像“穿墙”
一样，直接“隧穿”
过那些挡在它面前的、高耸的能量壁垒，然后，继续向着那个能量更低的、真正的“全局最优解”
前进。
当然这种协处理器能处理的问题类型也非常有限，例如，让它去计算一个简单的四则运算，它甚至可能还不如一个普通的计算器来得快。
