چکیده:
با استفاده از شبکه عصبی کوانتومی و درج آن در سخت افزار کامپیوتر، و نه در نرم افزار آن، کامپیوترهای اختصاصی عصبی ایجاد شده و در حال بسط است که بسیار قویتر از کامپیوترهای سنتی صفر و یک هستند و شبیه سازی مغز انسان را عملیتر ساختهاند.
تعداد کلمات مقاله: 970 / زمان تخمینی مطالعه: 5 دقیقه
با استفاده از شبکه عصبی کوانتومی و درج آن در سخت افزار کامپیوتر، و نه در نرم افزار آن، کامپیوترهای اختصاصی عصبی ایجاد شده و در حال بسط است که بسیار قویتر از کامپیوترهای سنتی صفر و یک هستند و شبیه سازی مغز انسان را عملیتر ساختهاند.
تعداد کلمات مقاله: 970 / زمان تخمینی مطالعه: 5 دقیقه
مترجم: حمید وثیق زاده انصاری
مغز انسان دارای تواناییهایی شگفت انگیز است که از بسیاری جهات قویتر از رایانههای پیشرفته دنیا است. بنا براین تعجب آور نیست که مهندسان مدتها تلاش کردهاند آن را کپی سازی کنند. امروزه از شبکههای عصبی مصنوعی که از روی ساختار مغز ساخته شدهاند برای مقابله با برخی از سختترین مشکلات هوش مصنوعی استفاده میشود. اما این روی کرد به طور معمول شامل ساخت نرم افزار میشود، بنا بر این، به جای ایجاد سخت افزار که نرونها را تقلید کند، اطلاعات به شیوهای مشابه مغز پردازش میشوند،.
امید این هست که اولین کامپیوتر اختصاصی عصبی، با استفاده از آخرین تکنولوژی کوانتومی، به جای نرم افزار AI، ساخته شود. با ترکیب این دو شاخه محاسبات، امید این هست که پیشرفتی حاصل شود که منجر به AIی شود که با سرعت بی سابقهای عمل میکند و به طور خود کار تصمیم گیریهای بسیار پیچیدهای را در یک زمان بسیار کوتاه انجام میدهد.
ما نیاز به AIی بسیار پیشرفتهتر داریم اگر میخواهیم به ما کمک کند که چیزهایی مانند ماشینهای خودکار رانندگی مستقل و سیستمهای دقیق برای مدیریت جریان ترافیکی کل شهر را در زمان واقعی ایجاد کنیم. بسیاری از تلاشها برای ساختن این نوع نرم افزار شامل نوشتن کد است که شبیه سازی نورونهای مغز انسان و ترکیب بسیاری از این نورونهای مصنوعی با یک شبکه است. هر نورون یک فرآیند تصمیم گیری را با تعدادی از سیگنالهای ورودی تقلید میکند و آنها را پردازش میکند تا خروجی مربوط به "بله" یا "نه" را ارائه دهند. امروزه از شبکههای عصبی مصنوعی که از روی ساختار مغز ساخته شدهاند برای مقابله با برخی از سختترین مشکلات هوش مصنوعی استفاده میشود.
هر ورودی با توجه به اهمیت آن برای تصمیم گیری توزین میشود. برای مثال، برای AIی که میتواند به شما بگوید که از کدام رستوران شما بیشتر لذت می برید، کیفیت غذا ممکن است مهم تر از محل جدول موجود باشد، بنا بر این در روند تصمیم گیری وزن بیشتری خواهد داشت.
این وزنها در آزمایشات تنظیم میشوند تا عمل کرد شبکه را بهبود بخشند و سیستم بهتر کار کند. به همین نحو بود که نرم افزار AlphaGo گوگل یک بازی استراتژی پیچیده به نام Go را آموخت، در حالی که در برابر یک کپی از خود بازی میکرد، تا زمانی که آمادگی ضرب و شتم قهرمان جهان را با نتیجه چهار به یک پیدا کرد. اما عمل کرد نرم افزار AI به شدت به این بستگی دارد که چقدر اطلاعات ورودی میتواند به آن آموزش داده شود (در مورد AlphaGo، به این بستگی داشت که چند بار در برابر خودش بازی میکرد).
پروژه Quromorphic قصد دارد به طور اساسی این پروسه را سرعت بخشد و مقدار داده ورودی را افزایش دهد که این میتواند با ساختن شبکههای عصبی که بر اساس اصول مکانیک کوانتومی کار کنند، پردازش شود. این شبکهها در نرم افزار رمزگذاری نمیشوند، بلکه به طور مستقیم در سخت افزار ساخته شده از مدارهای الکتریکی ابر رسانایی ساخته میشوند. ما انتظار داریم که این کار باعث شود که بدون خطا، مقیاس آنها افزایش یابد.
رایانههای سنتی اطلاعات را در واحدهایی به نام بیتها ذخیره میکنند که میتواند یکی از دو حالت 0 یا 1 باشد. رایانههای کوانتومی اطلاعات را در qubits ذخیره میکنند، که میتوانند در بسیاری از حالتهای مختلف ذخیره شوند. هر qubit اضافی اضافه شده به سیستم قدرت محاسباتی آن را دو برابر میکند. این به این معنی است که رایانههای کوانتومی میتوانند به طور موازی (در همان زمان) مقدار زیادی داده را پردازش کنند.
تا کنون تنها کامپیوترهای کوانتومی کوچکی که بخشهایی از تکنولوژی را نشان میدهند، با موفقیت ساخته شدهاند. بسیاری از دانشگاهها، غولهای فناوری و شرکتهای راه اندازی در حال طراحی طرحهای خود هستند که این به واسطه چشم انداز قدرت پردازشی است که به طور قابل توجهی بیشتر است. اما هیچ کدام هنوز به مرحلهای نرسیدهاند که بتوانند کامپیوترهای موجود (غیر کوانتومی) را بهتر کنند.
این به این علت است که کامپیوترهای کوانتومی باید به راحتی از اختلالات محیط اطراف خود، که همان طور که ماشینها بزرگتر میشوند سختتر و سختتر میشوند ، مجزا شوند. برای مثال، پردازندههای کوانتومی باید در خلأ در دمایی بسیار سرد نگه داشته شوند (نزدیک به صفر مطلق)، در غیر این صورت آنها میتوانند تحت تأثیر مولکولهای هوا قرار گیرند. اما پردازنده همچنین باید به نحوی با دنیای بیرونی ارتباط برقرار کند.
امید این هست که اولین کامپیوتر اختصاصی عصبی، با استفاده از آخرین تکنولوژی کوانتومی، به جای نرم افزار AI، ساخته شود. با ترکیب این دو شاخه محاسبات، امید این هست که پیشرفتی حاصل شود که منجر به AIی شود که با سرعت بی سابقهای عمل میکند و به طور خود کار تصمیم گیریهای بسیار پیچیدهای را در یک زمان بسیار کوتاه انجام میدهد.
ما نیاز به AIی بسیار پیشرفتهتر داریم اگر میخواهیم به ما کمک کند که چیزهایی مانند ماشینهای خودکار رانندگی مستقل و سیستمهای دقیق برای مدیریت جریان ترافیکی کل شهر را در زمان واقعی ایجاد کنیم. بسیاری از تلاشها برای ساختن این نوع نرم افزار شامل نوشتن کد است که شبیه سازی نورونهای مغز انسان و ترکیب بسیاری از این نورونهای مصنوعی با یک شبکه است. هر نورون یک فرآیند تصمیم گیری را با تعدادی از سیگنالهای ورودی تقلید میکند و آنها را پردازش میکند تا خروجی مربوط به "بله" یا "نه" را ارائه دهند. امروزه از شبکههای عصبی مصنوعی که از روی ساختار مغز ساخته شدهاند برای مقابله با برخی از سختترین مشکلات هوش مصنوعی استفاده میشود.
هر ورودی با توجه به اهمیت آن برای تصمیم گیری توزین میشود. برای مثال، برای AIی که میتواند به شما بگوید که از کدام رستوران شما بیشتر لذت می برید، کیفیت غذا ممکن است مهم تر از محل جدول موجود باشد، بنا بر این در روند تصمیم گیری وزن بیشتری خواهد داشت.
این وزنها در آزمایشات تنظیم میشوند تا عمل کرد شبکه را بهبود بخشند و سیستم بهتر کار کند. به همین نحو بود که نرم افزار AlphaGo گوگل یک بازی استراتژی پیچیده به نام Go را آموخت، در حالی که در برابر یک کپی از خود بازی میکرد، تا زمانی که آمادگی ضرب و شتم قهرمان جهان را با نتیجه چهار به یک پیدا کرد. اما عمل کرد نرم افزار AI به شدت به این بستگی دارد که چقدر اطلاعات ورودی میتواند به آن آموزش داده شود (در مورد AlphaGo، به این بستگی داشت که چند بار در برابر خودش بازی میکرد).
پروژه Quromorphic قصد دارد به طور اساسی این پروسه را سرعت بخشد و مقدار داده ورودی را افزایش دهد که این میتواند با ساختن شبکههای عصبی که بر اساس اصول مکانیک کوانتومی کار کنند، پردازش شود. این شبکهها در نرم افزار رمزگذاری نمیشوند، بلکه به طور مستقیم در سخت افزار ساخته شده از مدارهای الکتریکی ابر رسانایی ساخته میشوند. ما انتظار داریم که این کار باعث شود که بدون خطا، مقیاس آنها افزایش یابد.
رایانههای سنتی اطلاعات را در واحدهایی به نام بیتها ذخیره میکنند که میتواند یکی از دو حالت 0 یا 1 باشد. رایانههای کوانتومی اطلاعات را در qubits ذخیره میکنند، که میتوانند در بسیاری از حالتهای مختلف ذخیره شوند. هر qubit اضافی اضافه شده به سیستم قدرت محاسباتی آن را دو برابر میکند. این به این معنی است که رایانههای کوانتومی میتوانند به طور موازی (در همان زمان) مقدار زیادی داده را پردازش کنند.
تا کنون تنها کامپیوترهای کوانتومی کوچکی که بخشهایی از تکنولوژی را نشان میدهند، با موفقیت ساخته شدهاند. بسیاری از دانشگاهها، غولهای فناوری و شرکتهای راه اندازی در حال طراحی طرحهای خود هستند که این به واسطه چشم انداز قدرت پردازشی است که به طور قابل توجهی بیشتر است. اما هیچ کدام هنوز به مرحلهای نرسیدهاند که بتوانند کامپیوترهای موجود (غیر کوانتومی) را بهتر کنند.
این به این علت است که کامپیوترهای کوانتومی باید به راحتی از اختلالات محیط اطراف خود، که همان طور که ماشینها بزرگتر میشوند سختتر و سختتر میشوند ، مجزا شوند. برای مثال، پردازندههای کوانتومی باید در خلأ در دمایی بسیار سرد نگه داشته شوند (نزدیک به صفر مطلق)، در غیر این صورت آنها میتوانند تحت تأثیر مولکولهای هوا قرار گیرند. اما پردازنده همچنین باید به نحوی با دنیای بیرونی ارتباط برقرار کند.
فضایی بیشتر برای خطا
چالشهای فنی در پروژه بسیار شبیه به ساختار یک کامپیوتر کوانتومی جهانی است که میتواند برای هر برنامهای استفاده شود. اما امیدواریم که برنامههای کاربردی AI بتوانند اشتباهات بیشتری را نسبت به محاسبات رایج تحمل کنند و بنابراین ماشین احتیاج نداشته باشد که کاملاً ایزوله شود. رایانههای سنتی اطلاعات را در واحدهایی به نام بیتها ذخیره میکنند که میتواند یکی از دو حالت 0 یا 1 باشد. رایانههای کوانتومی اطلاعات را در qubits ذخیره میکنند، که میتوانند در بسیاری از حالتهای مختلف ذخیره شوند.
به عنوان مثال، از AI اغلب برای طبقه بندی دادهها استفاده میشود، مانند تصمیم گیری در مورد این که آیا یک عکس یک خودرو یا یک دوچرخه را نشان میدهد. نیازی ندارد که برای تصمیم گیری، همه جزئیات شیء را به طور کامل بگیرد. بنابراین در حالی که AI نیاز به سرعت بالای کامپیوتر دارد، چنین سطح بالایی از دقت را نیاز ندارد. به همین دلیل، ما امیدواریم که AI یک زمینه ایده آل برای محاسبات کوانتومی کوتاه مدت باشد.
پروژه شامل نشان دادن اصول درگیر با شبکه عصبی کوانتومی خواهد بود. برای قرار دادن تکنولوژی به منظور استفاده کامل از آن، ایجاد دستگاه های بزرگتر، فرآیندی است که ممکن است ده سال یا بیشتر طول بکشد، به طوری که بسیاری از جزئیات فنی برای کنترل اشتباهات محاسباتی بسیار دقیق کنترل میشود. اما هنگامی که نشان داده شده است که شبکه عصبی کوانتومی می تواند قدرتمندتر از نرم افزار AI کلاسیک در یک برنامه دنیای واقعی باشد، این شبکه به سرعت تبدیل به یکی از مهمترین تکنولوژیهای روز میشود.
برگرفته از سایت phys.org
به عنوان مثال، از AI اغلب برای طبقه بندی دادهها استفاده میشود، مانند تصمیم گیری در مورد این که آیا یک عکس یک خودرو یا یک دوچرخه را نشان میدهد. نیازی ندارد که برای تصمیم گیری، همه جزئیات شیء را به طور کامل بگیرد. بنابراین در حالی که AI نیاز به سرعت بالای کامپیوتر دارد، چنین سطح بالایی از دقت را نیاز ندارد. به همین دلیل، ما امیدواریم که AI یک زمینه ایده آل برای محاسبات کوانتومی کوتاه مدت باشد.
پروژه شامل نشان دادن اصول درگیر با شبکه عصبی کوانتومی خواهد بود. برای قرار دادن تکنولوژی به منظور استفاده کامل از آن، ایجاد دستگاه های بزرگتر، فرآیندی است که ممکن است ده سال یا بیشتر طول بکشد، به طوری که بسیاری از جزئیات فنی برای کنترل اشتباهات محاسباتی بسیار دقیق کنترل میشود. اما هنگامی که نشان داده شده است که شبکه عصبی کوانتومی می تواند قدرتمندتر از نرم افزار AI کلاسیک در یک برنامه دنیای واقعی باشد، این شبکه به سرعت تبدیل به یکی از مهمترین تکنولوژیهای روز میشود.
برگرفته از سایت phys.org