Računanje ležišta
Eksperimentalna implementacija istraživača bila je samo za jedan qubit. I, iskreno, ne možete puno učiniti s jednim qubitom. Kako bi demonstrirali mogućnosti kvantnih memristora, istraživači su se okrenuli modeliranju, fokusirajući svoje modele na nešto što se zove računanje rezervoara.
Zamislite da želite prepoznati mačke na slikama. Slika se može sastojati od nekoliko milijuna piksela, svaki od 24 bita, dok informacije koje želimo izdvojiti mogu biti predstavljene jednim bitom (1 = mačka, 0 = nema mačke). Da biste riješili ovaj problem s neuronskom mrežom, morate puno vježbati kako biste uspostavili prave veze unutar i između više slojeva mreže.
U računalstvu ležišta, dolazni podaci smješteni su u visokodimenzionalni prostor (ležište). Izlaz je tada isječak ovog visokodimenzionalnog prostora (isječak je kao da uzmete presjek kuće: 2D prikaz 3D objekta), koji se prosljeđuje izlaznom sloju, koji ga prepoznaje kao označavanje mačke ili ne mačka. Veze između rezervoara i izlaznog sloja moraju biti uvježbane kako bi proizvele točan odgovor, ali to je znatno manje intenzivno od obuke tradicionalnog strojnog učenja ili model dubokog učenja.
Ključ je u visokodimenzionalnom prostoru, koji je nasumična mreža nelinearnih računalnih elemenata koji imaju memoriju... što je otprilike ono što je memristor. Izračun koji izvodi nasumična mreža također je nasumičan (nema uključene obuke niti specifičnog dizajna), ali izračun je identičan za svaki ulaz. Koliko ja mogu reći, računalstvo rezervoara zahtijeva resurse za klasična računala, ali manje za jedinice za kvantnu obradu (osobito onih koji imaju intrinzičnu memoriju), što može pružiti jasnu prednost u usporedbi s tradicionalnim strojnim učenjem modeli.
Istraživači modelirano računanje ležišta na temelju njihovog kvantnog memristora. Model je, naravno, bio ograničenog opsega, ali je ipak pokazao dobre performanse na nekim tradicionalnim zadacima strojnog učenja, poput prepoznavanja rukom pisanih slova.
Specijalizacija je budućnost?
Nekad smo imali matematičke koprocesore. Ali cilj je bio integrirati što više funkcija u CPU, što je proizvelo generalizirana procesorska jedinica koja je bila loša u gotovo svemu (ali i dovoljno dobra ako vam nije smetalo). čekanje). Obrada grafike istaknula je ograničenja tog pristupa, budući da su stvari letjele nakon što su se oslobodile CPU-a. Sada, s porastom strojnog učenja, jedinice za obradu tenzora dodaju se računalima kao zasebne jedinice.
Na temelju ovog trenda moglo bi se ispostaviti da nikada ne postoji kvantno računalo opće namjene, već da postoji mnogo različitih arhitektura, od kojih je svaka odlična za rješavanje specifičnih vrsta problema. I, tko zna, možda će kvantni memristori biti dio toga.
Nature Communications, 2022., DOI: 10.1038/s41566-022-00973-5 (O DOI)