اولین گام‌ها در جهت دستیابی به مغز کوانتومی
ماده‌ای هوشمند که مانند مغز انسان بتواند با ایجاد تغییر فیزیکی در خودش یاد بگیرد، می‌تواند پایه و اساس نسل کاملا جدیدی از کامپیوترها باشد. فیزیکدانان دانشگاه رادبود که در جهت دستیابی به چیزی به نام "مغز کوانتومی" تلاش می‌کنند، در این راه گام مهمی برداشته‌اند. آن‌ها نشان داده‌اند که با الگوسازی و اتصال اتم‌های منفرد می‌توان شبکه‌ای از این اتم‌ها ایجاد نمود و به وسیله‌ی آن رفتار مستقل و خودمختار نورون‌ها و سیناپس‌ها در مغز را تقلید کرد. این گروه یافته‌های خود را به تازگی در Nature Nanotechnology منتشر کردند.
با توجه به تقاضای روز افزون جهانی برای افزایش ظرفیت محاسبات، تاسیس مراکز داده‌ی بیشتر ضروری به نظر می‌رسد و در این ضرورت ردپای نیاز به انرژی بیشتر هم دیده می‌شود. الکساندر خاجتوریان، سرپرست این پروژه و استاد دانشگاه رادبود می‌گوید:" واضح است که ما باید استراتژی‌های جدیدی برای ذخیره و پردازش اطلاعات با مصرف بهینه‌ی انرژی پیدا کنیم. این امر نه تنها به پیشرفت تکنولوژی نیاز دارد بلکه نیازمند تحقیقات اساسی در زمینه‌ی یافتن روشها و رویکردهای متحول کننده هم هست. ایده‌ی جدید ما برای ساخت "مغز کوانتومی" که بر اساس خواص کوانتومی مواد است، می‌تواند پایه‌ی راه‌حل‌های آینده برای کاربرد در هوش مصنوعی باشد".
مغز کوانتومی
برای کارایی هوش مصنوعی، کامپیوتر باید قابلیت تشخیص الگوهای موجود در جهان را داشته باشد و بتواند الگوهای جدید را نیز بیاموزد. کامپیوترهای امروزی این کار را از طریق نرم افزارهای یادگیری ماشین انجام می‌دهند که ذخیره‌سازی و پردازش اطلاعات را روی هارد درایو جداگانه‌ای کنترل می‌کنند. برت کاپِن، همکار در این طرح و استاد زمینه‌ی شبکه‌ی عصبی و هوش ماشین می‌گوید:"تاکنون این فناوری که مبتنی بر پارادایمی به قدمت یک قرن است، به طرز قانع کننده‌ای کار کرده، هرچند که در نهایت این فرایند از نظر انرژی خیلی به صرفه نبوده است".
فیزیکدانان دانشگاه رادبود در این زمینه تحقیق می‌کردند که آیا سخت‌افزار می‌تواند همان کار را بدون نیاز به وجود نرم‌افزار انجام دهد. آن‌ها دریافتند که با ایجاد شبکه‌ای از اتم‌های کبالت روی فسفر سیاه، قادر به ساخت ماده‌ای هستند که اطلاعات را به روش‌هایی مشابه مغز ذخیره و پردازش کرده و حتی از آن عجیب‌تر، خود را سازگار می‌کند.
اتم‌های خود سازگار
در سال 2018، خاجتوریان و همکارانش نشان دادند که می‌توان اطلاعات را در حالت‌‌های (state) یک اتم کبالت ذخیره کرد. با اعمال ولتاژ به آن اتم، می‌توان یک "شلیک" را القا کرد به طوری که اتم بتواند به صورت تصادفی بین دو مقدار 0 و 1 رفت و برگشت کند، دقیقا مانند یک نورون. آن‌ها اکنون روش ایجاد مجموعه‌ی متناسبی از این اتم‌ها را کشف کرده‌اند و دریافتند که رفتار "شلیک"گونه‌ی این مجموعه‌ها، رفتار مدل‌های شبیه مغز در هوش مصنوعی را تقلید می‌کند. علاوه بر مشاهده‌ی رفتار نورون‌های اسپایک‌دار (نورون‌هایی که درحال شلیک سیگنال هستند)، آن‌ها توانستند کوچکترین سیناپسی که تاکنون شناخته شده است را بسازند. همچنین آن‌ها مشاهده کردند که این مجموعه‌ها دارای ویژگی سازگاری ذاتی هستند، به این صورت که سیناپس‌های ساخته شده، بسته به این که چه ورودی‌هایی را می‌بینند، رفتارشان را تغییر می‌دهند. به گفته‌ی خاجتوریان :"هنگامی که این ماده طی مدت زمان طولانی با ولتاژ خاص تحریک می‌شد، ما با کمال تعجب مشاهده کردیم که سیناپس‌ها واقعا تغییر کرده‌اند. این ماده واکنش خود را بر اساس محرک‌های خارجی که دریافت کرده بود، سازگار کرد. خود به خود آموخت".
بررسی و توسعه‌ی مغز کوانتومی
پژوهشگران این طرح قصد دارند در مقیاس بالاتری کار کنند، شبکه‌ی اتمی بزرگتری را بسازند و از مواد کوانتومی جدیدی که می‌تواند مورد استفاده قرار گیرد، بهره گیرند. همچنین آن‌ها باید به درک این مسئله بپردازند که چرا شبکه اتمی این چنین رفتار می‌کند. خاجتوریان می‌گوید:" ما به جایی رسیده‌ایم که می‌توانیم فیزیک بنیادی را با مفاهیم زیست‌شناسی، مانند حافظه و یادگیری، مرتبط نماییم". وی افزود: "چنانچه در نهایت بتوانیم از این مواد یک ماشین واقعی بسازیم، قادر خواهیم بود دستگاه‌های محاسباتی خودآموزی ایجاد کنیم که از لحاظ مصرف انرژی به صرفه‌تر و از کامپیوترهای امروزی کوچکتر باشند. با این حال، تنها زمانی که بفهمیم چگونه کار می‌کنند (و این موضوع هنوز به صورت یک معماست)، می‌توانیم رفتار آن‌ها را تنظیم و توسعه‌ی آن را به صورت یک فناوری آغاز کنیم. این دوره برای ما دوره‌ی بسیار مهیجی است".
منابع:
https://scitechdaily.com/the-first-steps-toward-a-quantum-brain-an-intelligent-material-that-learns-by-physically-changing-itself/
https://www.nature.com/articles/s41565-020-00838-4
کلید واژه ها:
#machine-learning
#Artificial_Intelligence
#Quantum_Physics
#codecool
#bioinformatics