Co trzeba zrobić, aby wspomnienia kwantowe stały się rzeczywistością?

Uczenie maszynowe odkrywa idealną architekturę pamięci kwantowej, która pewnego dnia może przewyższać obecne systemy komputerowe.

Naukowcy coraz częściej sięgają po unikalne właściwości mechaniki kwantowej, aby tworzyć technologie o niespotykanym dotąd poziomie wydajności, bezpieczeństwa i efektywności energetycznej.

Najnowszym osiągnięciem w tej odkrywczej dziedzinie badań są pamięci kwantowe, które obiecują zużywać znacznie mniej energii niż tradycyjna pamięć komputerowa, jeśli uda się je wdrożyć w systemach świata rzeczywistego.

„Pamięci kwantowe to urządzenia zaprojektowane tak, aby naśladować właściwości pamięci klasycznych memrystorów, ale z dodatkiem kwantowym” – powiedział w e-mailu Carlos Hernani Morales, badacz z Uniwersytetu w Walencji w Hiszpanii.

„Wspomnienia są czwartym podstawowym elementem obwodu [along with capacitors, resistors, and inductors]Zostało to zaproponowane przez Leona Chua w 1971 r. i wdrożone eksperymentalnie w laboratoriach HP w 2008 r. „Memrystory mają zmienną rezystancję, która zależy od przepływającego przez nie prądu lub napięcia oraz zdolności do utrzymania ostatniej wartości rezystancji, w ten sposób [acting as a memory device]„.

Jednym z obszarów, w którym pamięci kwantowe mogą doskonale się rozwijać, są obliczenia neuronowe, których celem jest stworzenie urządzeń działających podobnie do ludzkiego mózgu, w których neurony uczą się, zmieniając siłę połączeń między nimi, zwanych synapsami.

„Obliczenia neuronowe to podejście do obliczeń inspirowane pracą mózgu” – wyjaśniła Hernani-Morales. „Jeden obszar, który mógłby odnieść korzyści z rozwoju technologii merystorów kwantowych, ponieważ systemy te opierają się na zdolności merystorów kwantowych do zatrzymywania informacji bez konieczności stałego źródła zasilania, co odzwierciedla właściwości neuronów w ludzkim mózgu”.

Czym jest odporność?

Pomimo jego potencjału naukowcy nie opracowali jeszcze funkcjonalnego urządzenia. „Chociaż pamięci kwantowe wyglądają obiecująco, obecnie, podobnie jak w przypadku wielu technologii związanych z obliczeniami kwantowymi, nie ma wyraźnej przewagi nad ich klasycznym odpowiednikiem. [because the technology is still underdeveloped]– stwierdził Hernani Morales.

Wdrażanie pamięci kwantowych było trudne ze względu na kilka czynników komplikujących. Układy kwantowe są niezwykle wrażliwe na szum otoczenia, który powoduje niestabilność, co utrudnia utrzymanie spójności kwantowej – właściwości, która pozwala cząstkom takim jak elektrony czy fotony przebywać w wielu stanach jednocześnie i utrzymywać stałą relację między tymi stanami – trudne .

Ponadto precyzyjna kontrola stanów kwantowych, takich jak superpozycja i splątanie, wymaga wyrafinowanego sprzętu i technik, a znalezienie odpowiednich materiałów, które wspierają właściwości kwantowe, a jednocześnie wykazują zachowanie memrystywne, było trudne.

Uczenie maszynowe pomaga wypełnić tę lukę

Jednak zamiast zwykłego podejścia metodą prób i błędów Hernani-Morales i jego zespół starali się zastosować uczenie maszynowe, aby dać wgląd w to, co może być możliwe. „My [studied] Wykorzystanie modeli uczenia maszynowego do znalezienia optymalnej kombinacji parametrów, która maksymalizuje zachowanie pamięci pojedynczej pamięci kwantowej i systemu składającego się z dwóch pamięci kwantowych [quantum memristors]„, napisali papier Opublikowane w Zaawansowane technologie kwantowe.

W szczególności zespół zbadał rodzaj pamięci kwantowej składającej się ze zwykłych elementów elektronicznych połączonych z nadprzewodzącą pętlą prądową i która wykorzystuje efekty mechaniki kwantowej, takie jak kwantyzacja strumienia i efekt Josephsona, do przechowywania i przetwarzania informacji w sposób niż konwencjonalny wspomnienia nie mogą.

Dostosowując różne parametry pamięci, w tym pole magnetyczne oddziałujące na pętlę prądową, algorytm uczenia maszynowego wyznaczył optymalną strukturę pamięci, osiągając niemal teoretyczną maksymalną pojemność pamięci.

Zbadali także najprostsze systemy składające się z zaledwie dwóch połączonych ze sobą pamięci. Splątanie memrystorowe odnosi się do zjawiska kwantowego, w którym stany wielu memrystorów łączą się w taki sposób, że stanu jednego memrystora nie można opisać niezależnie od stanu drugiego, co prowadzi do ulepszonych właściwości pamięci, takich jak lepsze zatrzymywanie pamięci lub większa wydajność przetwarzanie informacji.

„Uważamy, że w idealnym przypadku istnieją mocne dowody potwierdzające związek między korelacjami kwantowymi a zachowaniem mnemonicznym” – napisali, poszerzając obecną wiedzę lub zapewniając dalsze potwierdzenie przewidywań teoretycznych.

Pomoże to również w przyszłości scharakteryzować urządzenia pamięci kwantowej, przybliżając naukowców o krok do użytecznych i możliwych do wdrożenia neuronowych obliczeń kwantowych.

Bardzo długa droga do prawdziwej pamięci kwantowejS

Chociaż wyniki te dostarczyły ważnych informacji na temat idealnej architektury działającej pamięci kwantowej, która jest w stanie wyprzedzić obecne systemy obliczeniowe, przed praktycznym wdrożeniem potrzeba jeszcze więcej pracy.

Zespół skupił się także wyłącznie na systemie składającym się z dwóch pamięci kwantowych, pozostawiając bez odpowiedzi pytania dotyczące wykonalności i potencjalnych korzyści splątania większych liczb.

Co więcej, analiza teoretyczna nie dotyczyła sposobów utrzymania pamięci w stanie splątanym, ignorując główne wyzwanie w obliczeniach kwantowych, gdzie utrzymanie splątania kubitów może być szybkie ze względu na wpływ środowiska – obecne kubity można skutecznie utrzymać jedynie w stanie splątanym sekunda.

Sprostanie tym wyzwaniom nie będzie łatwe, ale mogą utorować drogę do rozwoju wysoce wydajnych i potężnych systemów obliczeń kwantowych, które wykorzystują unikalne możliwości splątanych memrystorów.

Odniesienie: Carlos Hernani Morales i in., Uczenie maszynowe w celu maksymalizacji pojedynczej i podwójnej pamięci kwantowej, Zaawansowane technologie kwantowe (2024). doi: 10.1002/cytat.202300294

Źródło obrazu: BirdVisual na Pixabay