ممریستور کوانتومی به عنوان حلقه مفقوده بین هوش مصنوعی و محاسبات کوانتومی — ScienceDaily


در سال های اخیر، هوش مصنوعی با کاربردهایی مانند تفسیر گفتار، تشخیص تصویر، تشخیص پزشکی و بسیاری موارد دیگر در همه جا حاضر شده است. در عین حال، ثابت شده است که فناوری کوانتومی قادر به قدرت محاسباتی بسیار فراتر از دسترس حتی بزرگترین ابررایانه جهان است. فیزیکدانان دانشگاه وین اکنون دستگاه جدیدی به نام ممریستور کوانتومی را به نمایش گذاشته‌اند که ممکن است امکان ترکیب این دو جهان را فراهم کند و در نتیجه قابلیت‌های بی‌سابقه‌ای را باز کند. این آزمایش که با همکاری شورای ملی تحقیقات (CNR) و Politecnico di Milano در ایتالیا انجام شد، بر روی یک پردازنده کوانتومی یکپارچه که بر روی فوتون‌های منفرد کار می‌کند، انجام شده است. اثر در شماره جاری مجله منتشر شده است فوتونیک طبیعت

در قلب همه کاربردهای هوش مصنوعی، مدل‌های ریاضی به نام شبکه‌های عصبی وجود دارد. این مدل ها از ساختار بیولوژیکی مغز انسان الهام گرفته شده اند که از گره های به هم پیوسته ساخته شده است. درست همانطور که مغز ما با مرتب کردن مجدد اتصالات بین نورون‌ها یاد می‌گیرد، شبکه‌های عصبی را می‌توان با تنظیم ساختار داخلی آن‌ها تا زمانی که قادر به انجام وظایفی در سطح انسانی شوند، به صورت ریاضی آموزش داد: تشخیص چهره ما، تفسیر تصاویر پزشکی برای تشخیص، حتی رانندگی با ماشین‌های ما. بنابراین، داشتن دستگاه‌های یکپارچه که قادر به انجام محاسبات درگیر در شبکه‌های عصبی به سرعت و کارآمد هستند، به یک مرکز تحقیقاتی بزرگ، هم دانشگاهی و هم صنعتی تبدیل شده است.

یکی از تغییرات عمده بازی در این زمینه، کشف ممریستور بود که در سال 2008 ساخته شد. این دستگاه بسته به خاطره ای از جریان گذشته، مقاومت خود را تغییر می دهد، از این رو به آن حافظه-مقاومت یا ممریستور می گویند. بلافاصله پس از کشف آن، دانشمندان دریافتند که (در میان بسیاری از کاربردهای دیگر) رفتار عجیب ممریستورها به طرز شگفت آوری شبیه به سیناپس های عصبی است. بنابراین ممریستور به یک بلوک ساختمانی اساسی از معماری های نورومورفیک تبدیل شده است.

گروهی از فیزیکدانان تجربی از دانشگاه وین، شورای ملی تحقیقات (CNR) و Politecnico di Milano به رهبری پروفسور فیلیپ والتر و دکتر روبرتو اوسلام، اکنون نشان داده‌اند که می‌توان دستگاهی را مهندسی کرد که دارای همان ویژگی باشد. رفتار به عنوان یک ممریستور، در حالی که بر روی حالت های کوانتومی عمل می کند و قادر به رمزگذاری و انتقال اطلاعات کوانتومی است. به عبارت دیگر، یک ممریستور کوانتومی. تحقق چنین دستگاهی چالش برانگیز است زیرا دینامیک ممریستور با رفتار کوانتومی معمولی در تضاد است.

فیزیکدانان با استفاده از فوتون‌های منفرد، یعنی تک ذرات کوانتومی نورها، و بهره‌برداری از توانایی منحصربه‌فرد آن‌ها برای انتشار همزمان در دو یا چند مسیر، بر این چالش غلبه کرده‌اند. در آزمایش خود، فوتون‌های منفرد در امتداد موجبرهایی که با لیزر روی یک بستر شیشه‌ای نوشته شده‌اند، منتشر می‌شوند و در برهم‌نهی چندین مسیر هدایت می‌شوند. یکی از این مسیرها برای اندازه‌گیری شار فوتون‌هایی که از دستگاه عبور می‌کنند استفاده می‌شود و این کمیت، از طریق یک طرح بازخورد الکترونیکی پیچیده، انتقال را در خروجی دیگر تعدیل می‌کند، بنابراین به رفتار حافظه‌ای مطلوب دست می‌یابد. علاوه بر نشان دادن ممریستور کوانتومی، محققان شبیه‌سازی‌هایی ارائه کرده‌اند که نشان می‌دهد شبکه‌های نوری با ممریستور کوانتومی می‌توانند برای یادگیری در کارهای کلاسیک و کوانتومی استفاده شوند، که به این واقعیت اشاره دارد که ممریستور کوانتومی ممکن است حلقه مفقوده بین هوش مصنوعی و محاسبات کوانتومی باشد.

Michele Spagnolo که اولین نویسنده این مقاله در مجله “Nature Photonics” است، می گوید: “باز کردن پتانسیل کامل منابع کوانتومی در هوش مصنوعی یکی از بزرگترین چالش های تحقیقات فعلی در فیزیک کوانتومی و علوم کامپیوتر است.” گروه فیلیپ والتر از دانشگاه وین نیز اخیراً نشان داده است که روبات‌ها می‌توانند با استفاده از منابع کوانتومی و طرح‌های قرض گرفتن از محاسبات کوانتومی سریع‌تر یاد بگیرند. این دستاورد جدید نشان دهنده یک گام دیگر به سوی آینده ای است که در آن هوش مصنوعی کوانتومی به واقعیت تبدیل می شود.

منبع داستان:

مواد تهیه شده توسط دانشگاه وین. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]