رؤیای ساخت ممریستورهای کوانتومی به حقیقت تبدیل می شود
به گزارش مهندس وب، یادگیری ماشینی یک ساختار ایده آل را برای ممریستور کوانتومی معرفی می کند که شاید روزی بتواند از سیستم های محاسباتی کنونی پیشی بگیرد.
به گزارش مهندس وب به نقل از ایسنا، دانشمندان روزبه روز بیشتر به خصوصیت های منحصربه فرد مکانیک کوانتومی روی می آورند تا فناوری هایی را با سطوح بی سابقه ای از عملکرد، امنیت و بهره وری انرژی ایجاد کنند.
به نقل از ادونسد ساینس نیوز، جدید ترین نمونه ها در این عرصه اکتشافی، ممریستورهای کوانتومی هستند که اگر در سیستم های دنیای واقعی پیاده سازی شوند، مصرف انرژی بسیار کمتری را نسبت به حافظه های معمولی کامپیوتر وعده می دهند.
«کارلوس هرنانی مورالس»(Carlos Hernani-Morales) پژوهشگر «دانشگاه والنسیا»(University of Valencia) در اسپانیا اظهار داشت: ممریستورهای کوانتومی، دستگاه هایی هستند که برای تقلید از خصوصیت های ممریستور کلاسیک طراحی شده اند اما پیچش کوانتومی را در بر دارند.
مورالس افزود: ممریستورها چهارمین عنصر مدار پایه به همراه مقاومت، القاگر و خازن هستند که توسط «لئون چوا»(Leon Chua) مهندس برق و کامپیوتر در سال ۱۹۷۱ پیشنهاد شدند و گروه پژوهشی «اچ پی لبز»(HP Labs) آنها را به صورت آزمایشی در سال ۲۰۰۸ پیاده سازی کرد. ممریستورها دارای مقاومت متغیری هستند که به جریان یا ولتاژ اعمال شده در آن و توانایی حفظ آخرین مقدار مقاومت بستگی دارد. بنابراین، بعنوان یک دستگاه حافظه عمل می کنند.
یکی از حوزه هایی که ممریستورهای کوانتومی می توانند در آن برتری داشته باشند، محاسبات نورومورفیک است. هدف از محاسبات نورومورفیک، ایجاد دستگاه هایی است که عملکرد مشابه مغز انسان دارند.
مورالس توضیح داد: محاسبات عصبی یک رویکرد الهام گرفته از مغز برای محاسبات است و یکی از حوزه هایی به حساب می آید که می تواند از پیشرفت فناوری ممریستور کوانتومی بهره مند شود چونکه این سیستم ها به توانایی ممریستورها برای حفظ اطلاعات بدون احتیاج به منبع تغذیه ثابت تکیه می کنند و خصوصیت نورون های مغز انسان را به نمایش می گذارند.
با وجود پتانسیل ممریستورهای کوانتومی، دانشمندان هنوز یک دستگاه کاربردی را توسعه نداده اند. مورالس اظهار داشت: باآنکه ممریستورهای کوانتومی امیدوارکننده هستند اما هم اکنون مانند خیلی از فناوری های در رابطه با محاسبات کوانتومی، استفاده از آنها به جای نمونه کلاسیک، مزیت آشکاری ندارد.
پیاده سازی ممریستورهای کوانتومی به سبب چندین عامل پیچیده تابحال چالش برانگیز بوده است. سیستم های کوانتومی بشدت نسبت به نویزهای محیطی حساس هستند و این سبب بی ثباتی آنها می شود. این امر، حفظ انسجام کوانتومی را که اجازه می دهد ذراتی مانند الکترون ها یا فوتون ها به صورت هم زمان در چندین حالت وجود داشته باشند و یک رابطه ثابت را بین این حالت ها حفظ کنند، دشوار می سازد.
علاوه بر این، کنترل دقیق حالات کوانتومی مانند برهم نهی و درهم تنیدگی، به تجهیزات و روش های پیچیده ای نیاز دارد و یافتن مواد مناسبی که از خصوصیت های کوانتومی پشتیبانی کنند و رفتار ممریستور را نشان دهند، چالش برانگیز بوده است.
یادگیری ماشینی
مورالس و گروهش به جای روش آزمون و خطای معمول، به دنبال استفاده از یادگیری ماشینی بودند تا یک نگاه اجمالی را به آن چه امکان پذیر است عرضه کنند. آنها در مقاله خود نوشتند: ما استفاده از مدلهای یادگیری ماشینی را برای یافتن یک مجموعه بهینه از پارامترهایی مطالعه کردیم که ظرفیت حافظه را در یک ممریستور کوانتومی منفرد و یک سیستم متشکل از دو ممریستور کوانتومی به حداکثر می رساند.
این گروه پژوهشی به صورت ویژه یک نوع ممریستور کوانتومی را مورد بررسی قرار دادند که از اجزای الکترونیکی معمولی ترکیب شده با یک حلقه جریان ابررسانا تشکیل شده است و از اثرات مکانیک کوانتومی برای ذخیره و پردازش اطلاعات به شیوه هایی استفاده می نماید که ممریستورهای کلاسیک نمی توانند آنها را انجام دهند.
الگوریتم یادگیری ماشینی با تنظیم پارامترهای متفاوت ممریستور همچون میدان مغناطیسی مؤثر بر حلقه جریان، ساختار بهینه ممریستور را شناسایی کرد که حدودا به حداکثر ظرفیت نظریه حافظه رسید.
همچنین، پژوهشگران ساده ترین سیستم هایی را بررسی کردند که تنها از دو ممریستور در هم تنیده تشکیل شده بودند. درهم تنیدگی ممریستورها نشان دهنده یک پدیده کوانتومی است که در آن، حالت های چندین ممریستور بگونه ای هم بسته می شوند که وضعیت یک ممریستور را نمی توان مستقل از حالت دیگری توصیف کرد. این امر به بهبود خصوصیت های ممریستور مانند پردازش کارآمد اطلاعات کمک می نماید.
پژوهشگران با تقویت دانش موجود یا تأیید بیشتر پیشبینی های نظری نوشتند: ما دریافتیم که در حالت بهینه، شواهد قوی وجود دارند که از ارتباط بین هم بستگی کوانتومی و رفتار ممریستور حمایت می کنند.
همچنین، این امر به شناسایی دستگاههای حافظه کوانتومی در آینده کمک می نماید و دانشمندان را یک گام به محاسبات کوانتومی نورومورفیک قابل اجرا و سودمند نزدیک تر می سازد.
باآنکه این یافته ها اطلاعات مهمی را در رابطه با ساختار ایده آل یک ممریستور کوانتومی فعال عرضه کرده اند که قادر به پیشی گرفتن از سیستم های محاسباتی کنونی است اما قبل از اجرای عملی باید بررسی های بیشتری صورت گیرد.
بعلاوه، این گروه پژوهشی فقط روی یک سیستم متشکل از دو ممریستور کوانتومی متمرکز شدند و پرسش ها را پیرامون امکان سنجی و مزایای بالقوه درهم تنیدگی اعداد بزرگ تر بی پاسخ گذاشتند.
تحلیل نظری، هیچ روشی را برای حفظ ممریستورها در حالت درهم تنیده نشان نداده و یک چالش مهم را در محاسبات کوانتومی که حفظ درهم تنیدگی کیوبیت به سبب تأثیرات محیطی می تواند زودگذر باشد، نادیده گرفته است. چالش اینست که کیوبیت های کنونی را فقط میتوان به صورت موثر در یک درهم تنیدگی برای کسری از ثانیه حفظ کرد.
پرداختن به این چالش ها آسان نخواهد بود اما پژوهشگران می توانند راه را برای توسعه سیستم های محاسباتی کوانتومی بسیار کارآمد و قوی هموار سازند که از قابلیت های منحصربه فرد ممریستورهای درهم تنیده استفاده می نمایند.
این پژوهش در مجله «Advanced Quantum Technologies» به چاپ رسید.
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب