مواد کوانتومی رفتار “غیر لوکالی” را نشان می دهد که عملکرد مغز را تقلید می کند.
– محققان دریافتند که در محرکات الکتریکی که بین الکترودهای همسایه منتقل می شوند، الکترودهای غیر همسایه نیز می توانند تحت تأثیر قرار بگیرند.
– این تیم پیشنهاد می‌کند که این بینش در رابطه با غیر لوکال بودن می‌تواند منجر به تولید انواع جدیدی از دستگاه‌هایی شود که عملکردهایی از مغز به نام محاسبات نورومورفیک را تقلید کنند.
– کنسرسیوم سراسری ” مواد کوانتومی برای محاسبات نورومورفیک با بهینه سازی انرژی ” با نام اختصاری Q-MEEN-C به رهبری دانشگاه سن دیگو کالیفرنیا توسط وزارت انرژی ایالت متحده امریکا مورد حمایت قرار گرفت.
ما اغلب معتقدیم که کامپیوترها از انسان کارآمدتر هستند. از این گذشته، کامپیوترها می توانند یک معادله پیچیده ریاضی را در یک لحظه کامل کنند و همچنین می توانند نام آن بازیگری را که مدام فراموش می کنیم را به خاطر بیاورند. با این حال، مغز انسان می‌تواند لایه‌های پیچیده‌ای از اطلاعات را به سرعت، دقیق و تقریباً بدون هیچ ورودی انرژی پردازش کند: تشخیص چهره پس از یک بار دیدن یا اینکه بدون هیچ درنگی تفاوت بین کوه و اقیانوس را دانستن. این عملکردهای ساده انسانی برای کامپیوترها نیاز به پردازش و انرژی ورودی عظیم و همچنین با درجات مختلف دقت دارد. خلق کامپیوترهای شبه مغز با حداقل نیاز انرژی تقریباً تمام جنبه های زندگی مدرن را متحول خواهد کرد. کنسرسیوم سراسری ” مواد کوانتومی برای محاسبات نورومورفیک با بهینه سازی انرژی ” با نام اختصاری Q-MEEN-C به رهبری دانشگاه سن دیگو کالیفرنیا که خط مقدم این تحقیقات است توسط وزارت انرژی ایالت متحده امریکا مورد حمایت قرار گرفت. الکس فرانو(Alex Frañó) ، استادیار فیزیک دانشگاه کالیفرنیا سن دیگو و یکی از مدیران Q-MEEN-C است که مراحل مختلف این پروژه را هدایت می کند، در فاز اول با رئیس بازنشسته دانشگاه کالیفرنیا و استاد فیزیک این دانشگاه به نام رابرت داینز (Robert Dynes) و همچنین استاد دانشکده مهندسی بنام شریرام راماناتان Shriram Ramanathan)) همکاری کرد. آنها با یکدیگر موفق شدند روش هایی را برای ایجاد یا تقلید ویژگی‌هایی از یک ساختار مغزی واحد (مانند یک نورون یا یک سیناپس) در یک ماده کوانتومی پیدا کنند. هم اکنون، در فاز دوم، تحقیقات جدید Q-MEEN-C که در Nano Letters منتشر شده است، نشان می‌دهد که محرکات الکتریکی که بین الکترودهای همسایه منتقل می‌شوند می‌توانند بر الکترودهای غیر همسایه نیز تأثیر بگذارند. این کشف که به عنوان “غیر لوکال بودن” شناخته می‌شود، نقطه عطفی به سمت انواع جدیدی از دستگاه‌هایی است که عملکردهای مغز تحت عنوان محاسبات نورومورفیک را تقلید می‌کنند. فرانو، یکی از نویسندگان مقاله، گفت: “مشخص شده که در مغز این تعاملات غیرلوکال به مراتب و با حداقل تلاش اتفاق می‌افتند. این بخش مهمی از نحوه عملکرد مغز است، اما رفتارهای مشابهی که در مواد سینتتیک تکرار می شود کمیاب است.” مانند بسیاری از پروژه‌های تحقیقاتی که اکنون به ثمر نشسته‌اند، ایده آزمایش اینکه آیا غیرلوکال بودن در مواد کوانتومی امکان‌پذیر است یا خیر، در زمان پاندمی به وجود آمد که فضاهای آزمایشگاهی فیزیکی بسته شده بودند. بنابراین تیم، محاسباتی را روی آرایه‌هایی انجام داد که شامل چندین دستگاه بودند تا نورون‌ها و سیناپس‌های متعدد در مغز را تقلید کنند. در اجرای این آزمایش ها، آنها دریافتند که غیرلوکال بودن از نظر تئوری امکان پذیر است. وقتی آزمایشگاه‌ها بازگشایی شدند، این ایده را بیشتر اصلاح کردند و با کمکDuygu Kuzum دانشیار دانشکده مهندسی برق و کامپیوتر San Diego، شبیه‌سازی به یک دستگاه واقعی تبدیل شد. این شامل یک لایه نازک از نیکلات که یک ماده کوانتومی سرامیکی است و خواص الکترونیکی غنی را نشان می دهد می باشد. سپس یون های هیدروژن به آن وارد شده و یک هادی فلزی در قسمت بالای آن قرار داده می شود. یک سیم به فلز وصل شده است تا سیگنال الکتریکی به نیکل ارسال شود. سیگنال باعث می شود اتم های هیدروژن ژل مانند به سمت یک ساختار خاص حرکت کرده و هنگامی که سیگنال حذف می شود، ساختاری جدید باقی بماند. فرانو می گوید: «در واقع پدیده خاطره شبیه به چنین چیزی است. دستگاه به خاطر می‌آورد که شما مطالب را دچار اختلال کرده‌اید. اکنون می‌توانید جایی که آن یون‌ها می‌روند را تنظیم کنید تا مسیرهایی ایجاد کنید که رسانایی بیشتری داشته باشند و جریان الکتریسیته راحت‌تر از آنها عبور کند. به نوعی، ایجاد شبکه‌هایی که برق کافی را برای تامین انرژی وسیله ای مانند لپ‌تاپ منتقل می‌کنند، به مدارهای پیچیده با نقاط اتصال پیوسته نیاز دارد که هم ناکارآمد و هم گران است. مفهوم طراحی Q-MEEN-C بسیار ساده تر است زیرا رفتار غیر لوکال در آزمایش به این معنی است که تمام سیم های یک مدار لازم نیست به یکدیگر متصل شوند. به یک تار عنکبوت فکر کنید، جایی که حرکت در یک قسمت در کل تار قابل درک است. این فرایند مشابه نحوه یادگیری مغز است: نه به صورت خطی، بلکه در لایه های پیچیده. هر بخشی از یادگیری، ارتباطاتی را در چندین ناحیه مغز ایجاد می‌کند و به ما این امکان را می‌دهد که نه تنها درختان را از سگ‌ها، بلکه یک درخت بلوط را از درخت نخل تشخیص دهیم .تا به امروز، این وظایف شناسایی الگو که مغز آنها را به زیبایی اجرا می‌کند، فقط از طریق نرم‌افزار کامپیوتری قابل شبیه‌سازی بوده اند. برنامه‌های هوش مصنوعی مانند ChatGPT و Bard از الگوریتم‌های پیچیده برای تقلید فعالیت‌های مبتنی بر مغز مانند تفکر و نوشتن استفاده می‌کنند. هرچند آنها این کار را واقعاً خوب انجام می دهند، اما بدون سخت‌افزار پیشرفته‌ای برای پشتیبانی از آنها، در برخی مواقع نرم‌افزار دچار محدودیت خواهد شد. فرانو مشتاق یک انقلاب سخت‌افزاری به موازات انقلابی که در حال حاضر با نرم‌افزار اتفاق می‌افتد است و نشان دادن اینکه امکان بازتولید رفتار غیرلوکال در یک ماده سینتتیک، دانشمندان را یک قدم نزدیک‌تر می‌کند. مرحله بعدی شامل ایجاد آرایه های پیچیده تر با الکترودهای بیشتر در ساختارهای دقیق تر است. Dynes یکی دیگر از نویسندگان این مقاله می گوید: «این یک گام بسیار مهم به جلو در تلاش ما برای درک و شبیه سازی عملکردهای مغز است. نشان دادن سیستمی که دارای تعاملات غیرلوکال است، ما را بیشتر به سمت نحوه تفکر مغز هدایت می کند. مغز ما البته بسیار پیچیده‌تر از این است، اما یک سیستم فیزیکی که قادر به یادگیری است باید بسیار تعاملی باشد و این اولین قدم ضروری است. اکنون می‌توانیم به انسجام بیشتر در فضا و زمان فکر کنیم.” فرانو بیان کرد: “برای اینکه این فناوری واقعاً به اوج خودش برسد، ما باید راه هایی برای بهبود سخت افزار پیدا کنیم یعنی یک ماشین فیزیکی که می تواند این کار را در ارتباط با نرم افزار انجام دهد. در مرحله بعدی ماشین های کارآمدی ایجاد کنیم که ویژگی های فیزیکی آنها همان هایی باشد که یادگیری را انجام می دهند. این موضوع الگوی جدیدی در دنیای هوش مصنوعی به ما خواهد داد.”