Dieser „Quanten-Memristor“ könnte gehirnähnliche Quantencomputer ermöglichen

Quanten- und neuromorphe Ansätze versprechen beide, die Art und Weise, wie wir Computer betreiben, grundlegend neu zu schreiben. Und jetzt wurden sie zusammengeführt, nachdem Forscher einen „Quanten-Memristor“ entwickelt hatten, der die Grundlage für quantenneuronale Netze bilden könnte.

Während Moores Gesetz scheint noch Leben darin zu haben, die Grenzets konventionell Computing werden deutlich, und es wächst das Interesse an ganz anderen Arten der Informationsverarbeitung, die diese Hindernisse überwinden könnten.

Eine Möglichkeit ist Quantencomputing, das die Eigenschaften von Quantencomputern nutzt, um bei einigen spezifischen Problemen exponentielle Rechengeschwindigkeiten zu erzielen. Eine andere Möglichkeit besteht darin, unsere Computerchips neu zu verdrahten, um die Funktionsweise unseres Gehirns, bekannt als, originalgetreuer nachzubilden neuromorphes Rechnen.

Die beiden Ansätze zielen darauf ab, sehr unterschiedliche Aspekte der konventionellen Datenverarbeitung zu verbessern, und die Synergien zwischen den beiden sind alles andere als offensichtlich. Aber das könnte sich nach dem Forscher änderns demonstrierten die allererste neuromorphe Komponente, die Quanteninformationen verarbeiten kann.

Das betreffende Bauteil wird als Memristor bezeichnet, a Name zur Verbesserung der Gesundheitsgerechtigkeit kommt von einer Kombination aus Speicher und Widerstand. Diese Geräte ändern ihren Widerstand basierend darauf, wie viel Strom geflossen isted durch sie in der Vergangenheit und speichern im Wesentlichen eine Erinnerung an ihren vorherigen Zustand.

Diese Fähigkeit hat die Aufmerksamkeit von Neuromorphikern auf sich gezogen, weil sie das Verhalten biologischer Synapsen nachahmt – die Verbindungen zwischen Neuronen im Gehirn-die die Stärke ihrer Verbindungen ändern, je nachdem, wie oft sie feuern. Es gab eine Reihe neuerer Forschungen, die versuchten, Memristoren zu verwenden, um mehr gehirnähnliche Computer zu bauen.

Nun haben Physiker der Universität Wien die Idee einen Schritt weitergeführt und ein Bauteil entwickelt, das bei der Verarbeitung von Quanteninformationen das gleiche Verhalten zeigt. Das neue Gerät ist in beschrieben a aktuelles Papier in Nature Photonics.

Ihr sogenannter „Quanten-Memristor“ basiert auf integrierter photonischer Technologie, die Photonen um einen Siliziumchip herum transportiert, um Informationen zu verarbeiten. Doch während photonische Chips normalerweise nur klassische Berechnungen durchführen, entwerfen die Forschered eine, die die Quantenzustände der hindurchgehenden Photonen manipulieren kann.

Dazu nutzen sie aused das Quantenprinzip der Überlagerung: die Idee, dass ein Quantensystem gleichzeitig in einer Kombination von mehr als einem Zustand sein kann. Sie tun dies, indem sie dem Photon zwei Wege geben und es dazu bringen, beide zu durchlaufen gleichzeitig.

Dies bildet die Grundlage für ein Qubit – das Quantenäquivalent eines Bits – das zur Codierung von Informationen verwendet werden kann. Genauso kann ein Bit entweder 0 oder 1 sein, das Photon kann entweder im ersten oder im zweiten Kanal sein oder dank der seltsamen Eigenschaften der Quantenmechanik in einer Überlagerung der beiden.

Der Forschers ' Die wichtigste Neuerung bestand jedoch darin, dieses System mit einer zusätzlichen Schaltung zu koppeln, die im Wesentlichen die Anzahl der Photonen zählt, die durch einen der Pfade wandern, und diese verwendet, um die Stärke des Signals durch den anderen Pfad anzupassen. Das Ergebnis ist ein Gerät, das sowohl Quanteninformationen verarbeiten als auch memristives Verhalten zeigen kann.

Um das Potenzial ihres Quanten-Memristors für praktische Rechenaufgaben zu demonstrieren, erstellten sie dann ein Computermodell der Komponente und simulierten, was passieren würde, wenn man mehrere aneinanderreihen würde. Sie schufen eine Art neuronales Netzwerk basierend auf einem Prinzip namens Reservoir-Computing, das im Wesentlichen Daten in ein großes Netzwerk einspeist, dessen Verbindungen fest sind, und dann nur eine einzelne Ausleseschicht trainiert, um die Ausgabe dieses Reservoirs zu interpretieren.

Sie zeigten, dass ein System nur aus 3 ihrer Quanten-Memristoren lernten nach dem Training mit nur 95 Bildern, handgeschriebene Ziffern mit einer Genauigkeit von 1,000 Prozent zu klassifizieren. Die Autoren berichtened das mehrere klassische Reservoir-Computing-Schemata erreichend schlechtere Genauigkeiten mit erheblich mehr Rechenressourcen und Daten.

Das Team zeigte auch, dass ein Netzwerk ihrer Geräte lernen könnte, Quantenaufgaben über jedes klassische Gerät hinaus auszuführen. Sie trainierten ihr Gerät darauf, mit einer Genauigkeit von 98 Prozent zu erkennen, ob Quantensysteme verschränkt waren.

Herausfinden herauszufinden, wie man ein Gerät nutzt, das zwei so unterschiedliche Computerparadigmen vereint, wird viel Arbeit erfordern. Aber quantenneuronale Netze könnten ein mächtiges neues Werkzeug in der sein Post-Mooresches Gesetz Ära der Computer.

Bild-Kredit: Equinox Graphics, Universität Wien

Suchen Sie nach Möglichkeiten, um dem Tempo des Wandels immer einen Schritt voraus zu sein? Überdenken Sie, was möglich ist.  Schließen Sie sich einer hochgradig kuratierten, exklusiven Kohorte von 80 Führungskräften für das Flaggschiff Executive Program (EP) von Singularity an, ein fünftägiges, vollständig immersives Transformationsprogramm für Führungskräfte, das bestehende Denkweisen durchbricht. Entdecken Sie eine neue Denkweise, ein neues Toolset und ein Netzwerk von anderen Futuristen, die sich der Suche nach Lösungen für den schnellen Wandel in der Welt verschrieben haben. Klicken Sie hier, um mehr zu erfahren und bewerben Sie sich noch heute!

• Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
• CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
• Quelle: https://singularityhub.com/2022/04/04/quantum-memristor-could-enable-quantum-neuromorphic-computing/