Quantum Computing:Αξιοποιώντας το Σύμπαν για προηγμένη τεχνητή νοημοσύνη

Οι φυσικοί χτίζουν νευρωνικά δίκτυα από δονήσεις, τάσεις και λέιζερ, υποστηρίζοντας ότι το μέλλον των υπολογιστών έγκειται στην εκμετάλλευση των πολύπλοκων φυσικών συμπεριφορών του σύμπαντος.

Εισαγωγή

Μέσα σε ένα ηχομονωμένο κιβώτιο βρίσκεται ένα από τα χειρότερα νευρωνικά δίκτυα στον κόσμο. Αφού εμφανιστεί μια εικόνα του αριθμού 6, σταματά για μια στιγμή πριν αναγνωρίσει το ψηφίο:μηδέν. Ο Peter McMahon, ο φυσικός-μηχανικός στο Πανεπιστήμιο Cornell που ηγήθηκε της ανάπτυξης του δικτύου, το υπερασπίζεται με ένα πρόβατο χαμόγελο, επισημαίνοντας ότι ο χειρόγραφος αριθμός φαίνεται ατημέλητος. Ο Logan Wright, ένας μεταδιδακτορικός που επισκέπτεται το εργαστήριο του McMahon από την NTT Research, με διαβεβαιώνει ότι η συσκευή συνήθως παίρνει τη σωστή απάντηση, αλλά αναγνωρίζει ότι τα λάθη είναι κοινά. «Είναι τόσο κακό», είπε.

Παρά την εντυπωσιακή απόδοση, αυτό το νευρωνικό δίκτυο είναι πρωτοποριακό. Οι ερευνητές ανατρέπουν το κιβώτιο, αποκαλύπτοντας όχι ένα τσιπ υπολογιστή αλλά ένα μικρόφωνο με γωνία προς μια πλάκα τιτανίου που είναι βιδωμένη σε ένα ηχείο. Άλλα νευρωνικά δίκτυα λειτουργούν στον ψηφιακό κόσμο των 0 και 1, αλλά αυτή η συσκευή λειτουργεί με ήχο. Όταν ο Ράιτ δημιουργεί μια νέα εικόνα ενός ψηφίου, τα εικονοστοιχεία του μετατρέπονται σε ήχο και μια αμυδρή φλυαρία γεμίζει το εργαστήριο καθώς το ηχείο κουνάει το πιάτο. Οι μεταλλικές αντηχήσεις κάνουν την «ανάγνωση» αντί για λογισμικό που τρέχει σε πυρίτιο. Το ότι η συσκευή διαδέχεται συχνά την πεποίθηση, ακόμη και στους σχεδιαστές της.

"Όποια και αν είναι η λειτουργία του ανακινούμενου μετάλλου, δεν θα πρέπει να έχει καμία σχέση με την ταξινόμηση ενός χειρόγραφου ψηφίου", είπε ο McMahon.

Η πρωτόγονη ικανότητα ανάγνωσης της συσκευής, την οποία αποκάλυψε η ομάδα Cornell σε ένα άρθρο στο Nature τον Ιανουάριο, δίνει στον McMahon και σε άλλους την ελπίδα ότι οι μακρινοί απόγονοί του θα μπορούσαν να φέρουν επανάσταση στους υπολογιστές.

Όσον αφορά τη συμβατική μηχανική μάθηση, οι επιστήμονες υπολογιστών ανακάλυψαν ότι το μεγαλύτερο είναι καλύτερο. Η γέμιση ενός νευρωνικού δικτύου με περισσότερους τεχνητούς νευρώνες - κόμβους που αποθηκεύουν αριθμητικές τιμές - βελτιώνει την ικανότητά του να ξεχωρίζει ένα ντάξχουντ από έναν Δαλματικό ή να επιτύχει σε μυριάδες άλλες εργασίες αναγνώρισης προτύπων. Πραγματικά τεράστια νευρωνικά δίκτυα μπορούν να αποσπάσουν ανησυχητικά ανθρώπινα εγχειρήματα όπως η σύνθεση δοκιμίων και η δημιουργία εικονογραφήσεων. Με περισσότερους υπολογιστικούς μυς, μπορεί να γίνουν δυνατά ακόμη μεγαλύτερα επιτεύγματα. Αυτή η δυνατότητα έχει παρακινήσει πολλές προσπάθειες για την ανάπτυξη πιο ισχυρών και αποτελεσματικών μεθόδων υπολογισμού.

Ο McMahon και μια ομάδα ομοϊδεατών φυσικών υπερασπίζονται μια ανορθόδοξη προσέγγιση:Βάλτε το σύμπαν να τσακίσει τους αριθμούς για εμάς. «Πολλά φυσικά συστήματα μπορούν φυσικά να κάνουν κάποιους υπολογισμούς πιο αποτελεσματικά ή πιο γρήγορα από ότι ένας υπολογιστής», είπε ο McMahon. Αναφέρει τις σήραγγες αέρα:Όταν οι μηχανικοί σχεδιάζουν ένα αεροπλάνο, μπορεί να ψηφιοποιήσουν τα σχεδιαγράμματα και να περάσουν ώρες σε έναν υπερυπολογιστή προσομοιώνοντας πώς ρέει ο αέρας γύρω από τα φτερά. Ή μπορούν να κολλήσουν το όχημα σε μια αεροδυναμική σήραγγα και να δουν αν πετάει. Από υπολογιστική σκοπιά, η αεροδυναμική σήραγγα "υπολογίζει" αμέσως πώς αλληλεπιδρούν τα φτερά με τον αέρα.

Μια αεροδυναμική σήραγγα είναι μια μονόπλευρη μηχανή. προσομοιώνει την αεροδυναμική. Ερευνητές όπως ο McMahon αναζητούν μια συσκευή που μπορεί να μάθει να κάνει τα πάντα - ένα σύστημα που μπορεί να προσαρμόσει τη συμπεριφορά του μέσω δοκιμής και λάθους για να αποκτήσει οποιαδήποτε νέα ικανότητα, όπως η ταξινόμηση χειρόγραφων ψηφίων ή η διάκριση ενός φωνήεντος από το άλλο. Πρόσφατη εργασία έχει δείξει ότι φυσικά συστήματα όπως κύματα φωτός, δίκτυα υπεραγωγών και διακλαδιζόμενα ρεύματα ηλεκτρονίων μπορούν όλα να μάθουν.

«Επανεφευρίσκουμε όχι μόνο το υλικό», δήλωσε ο Benjamin Scellier, μαθηματικός στο Ελβετικό Ομοσπονδιακό Ινστιτούτο Τεχνολογίας της Ζυρίχης στην Ελβετία, ο οποίος βοήθησε στο σχεδιασμό ενός νέου αλγόριθμου φυσικής μάθησης, αλλά «και ολόκληρου του υπολογιστικού παραδείγματος».

Μαθαίνω να σκέφτομαι

Η μάθηση είναι μια εξωτική διαδικασία. Μέχρι πριν από περίπου μια δεκαετία, οι εγκέφαλοι ήταν τα μόνα συστήματα που το έκαναν καλά. Ήταν η δομή του εγκεφάλου που ενέπνευσε χαλαρά τους επιστήμονες υπολογιστών να σχεδιάσουν βαθιά νευρωνικά δίκτυα, τώρα τα πιο δημοφιλή μοντέλα τεχνητής μάθησης.

Ένα βαθύ νευρωνικό δίκτυο είναι ένα πρόγραμμα υπολογιστή που μαθαίνει μέσω της πρακτικής. Το δίκτυο μπορεί να θεωρηθεί ως ένα πλέγμα:Τα στρώματα κόμβων που ονομάζονται νευρώνες, που αποθηκεύουν τιμές, συνδέονται με νευρώνες σε γειτονικά στρώματα με γραμμές ή «συνάψεις». Αρχικά, αυτές οι συνάψεις είναι απλώς τυχαίοι αριθμοί γνωστοί ως «βαρίδια».

Όταν θέλετε το δίκτυο να διαβάσει ένα ψηφίο - 4, ας πούμε - κάνετε το πρώτο στρώμα νευρώνων να αντιπροσωπεύει μια ακατέργαστη εικόνα του 4, ίσως αποθηκεύοντας τη σκιά κάθε pixel ως τιμή σε έναν αντίστοιχο νευρώνα. Στη συνέχεια, το δίκτυο «σκέφτεται», μετακινώντας στρώμα προς στρώμα, πολλαπλασιάζοντας τις τιμές των νευρώνων με τα συναπτικά βάρη για να συμπληρώσει το επόμενο στρώμα νευρώνων. Ο νευρώνας με την υψηλότερη τιμή στο τελικό επίπεδο υποδεικνύει την απάντηση του δικτύου. Αν είναι ο δεύτερος νευρώνας, για παράδειγμα, το δίκτυο μαντεύει ότι είδε ένα 2.

Για να διδάξετε στο δίκτυο να κάνει πιο έξυπνες εικασίες, ένας αλγόριθμος εκμάθησης λειτουργεί αντίστροφα. Μετά από κάθε δοκιμή, υπολογίζει τη διαφορά μεταξύ της εικασίας και της σωστής απάντησης (η οποία, στο παράδειγμά μας, θα αντιπροσωπευόταν από υψηλή τιμή για τον τέταρτο νευρώνα στο τελικό στρώμα και χαμηλές τιμές αλλού). Στη συνέχεια, ένας αλγόριθμος κάνει βήματα πίσω στο επίπεδο του δικτύου, υπολογίζοντας τον τρόπο προσαρμογής των βαρών προκειμένου να αυξηθούν ή να μειωθούν οι τιμές των τελικών νευρώνων όπως απαιτείται. Αυτή η διαδικασία, γνωστή ως backpropagation, βρίσκεται στο επίκεντρο της βαθιάς μάθησης.

Μέσω πολλών επαναλήψεων εικασίας και προσαρμογής, η αντίστροφη διάδοση καθοδηγεί τα βάρη σε μια διαμόρφωση αριθμών που, μέσω ενός καταρράκτη πολλαπλασιασμών που ξεκινά από μια εικόνα, θα φτύνουν το ψηφίο που είναι γραμμένο εκεί.

Merrill Sherman/Quanta Magazine

Αλλά σε σύγκριση με ό,τι συμβαίνει στον εγκέφαλο, η ψηφιοποιημένη έκδοση της μάθησης που συμβαίνει στα τεχνητά νευρωνικά δίκτυα φαίνεται δραματικά αναποτελεσματική. Με λιγότερες από 2.000 θερμίδες την ημέρα, ένα ανθρώπινο παιδί μαθαίνει να μιλάει, να διαβάζει, να παίζει παιχνίδια και πολλά άλλα μέσα σε λίγα χρόνια. Σε μια τέτοια δίαιτα περιορισμένης ενέργειας, το πρωτοποριακό GPT-3, ένα νευρωνικό δίκτυο ικανό για άπταιστη συνομιλία, θα χρειαζόταν μια χιλιετία για να μάθει να συνομιλεί.

Από την οπτική γωνία ενός φυσικού, ένα μεγάλο ψηφιακό νευρωνικό δίκτυο προσπαθεί απλώς να κάνει πάρα πολλά μαθηματικά. Τα μεγαλύτερα μεγαθήρια του σήμερα πρέπει να καταγράφουν και να χειρίζονται περισσότερους από μισό τρισεκατομμύριο αριθμούς. Το σύμπαν, εν τω μεταξύ, αναλαμβάνει συνεχώς εργασίες πολύ πέρα ​​από τα όρια των πενιχρών λογιστικών ικανοτήτων των υπολογιστών. Ένα δωμάτιο μπορεί να έχει τρισεκατομμύρια τρισεκατομμύρια μόρια αέρα που αναπηδούν γύρω. Αυτός είναι ένας αδύνατος αριθμός κινούμενων κομματιών που μπορεί να παρακολουθήσει ένας υπολογιστής σε μια πλήρη προσομοίωση συγκρούσεων, αλλά ο ίδιος ο αέρας δεν έχει κανένα πρόβλημα να αποφασίσει πώς να συμπεριφέρεται από στιγμή σε στιγμή.

Η πρόκληση είναι να δημιουργηθούν φυσικά συστήματα που μπορούν φυσικά να πραγματοποιήσουν και τις δύο διαδικασίες που απαιτούνται για την τεχνητή νοημοσύνη - τη «σκέψη» που εμπλέκεται (ας πούμε) στην ταξινόμηση μιας εικόνας και τη «μάθηση» που απαιτείται για τη σωστή ταξινόμηση τέτοιων εικόνων. Ένα σύστημα που κατέχει και τις δύο εργασίες θα αξιοποιούσε την ικανότητα του σύμπαντος να ενεργεί μαθηματικά χωρίς να κάνει πραγματικά μαθηματικά.

«Δεν υπολογίζουμε ποτέ 3.532 επί 1.567 ή κάτι τέτοιο», είπε ο Scellier. "Έχει γίνει, αλλά σιωπηρά, μόνο από τους νόμους της φυσικής απευθείας."

Το μέρος της σκέψης

Ο McMahon και οι συνεργάτες του έχουν σημειώσει πρόοδο στο "σκεπτόμενο" μισό του παζλ.

Καθώς έφτιαχνε το εργαστήριό του στο Cornell τους τελευταίους μήνες του κόσμου πριν από την πανδημία, ο McMahon σκέφτηκε ένα περίεργο εύρημα. Για χρόνια, τα νευρωνικά δίκτυα αναγνώρισης εικόνων με κορυφαίες επιδόσεις είχαν γίνει όλο και πιο βαθιά. Δηλαδή, τα δίκτυα με περισσότερα επίπεδα ήταν καλύτερα σε θέση να λάβουν μια δέσμη εικονοστοιχείων και να βγάλουν μια ετικέτα, όπως "κανίς". Η τάση ενέπνευσε τους μαθηματικούς να μελετήσουν τον μετασχηματισμό (από εικονοστοιχεία σε «κανίς») που πέτυχαν τα δίκτυα και το 2017 αρκετές ομάδες πρότειναν ότι τα δίκτυα λειτουργούσαν σαν κατά προσέγγιση εκδοχές μιας ομαλής μαθηματικής συνάρτησης. Στα μαθηματικά, μια συνάρτηση μετατρέπει μια είσοδο (συχνά μια θέση κατά μήκος του x -άξονας) σε μια έξοδο (το y -τιμή ή ύψος μιας καμπύλης σε αυτή τη θέση). Σε έναν συγκεκριμένο τύπο νευρωνικού δικτύου, περισσότερα στρώματα έχουν καλύτερα αποτελέσματα, επειδή η συνάρτηση είναι λιγότερο οδοντωτή, κινούμενη πιο κοντά σε κάποια ιδανική καμπύλη.

Η έρευνα έβαλε τον McMahon σε σκέψεις. Ίσως με ένα ομαλά μεταβαλλόμενο φυσικό σύστημα, θα μπορούσε κανείς να παρακάμψει την εμπλοκή που είναι εγγενής στην ψηφιακή προσέγγιση.

Το κόλπο ήταν να βρεθεί ένας τρόπος να εξημερωθεί ένα περίπλοκο σύστημα - να προσαρμοστεί η συμπεριφορά του με την εκπαίδευση. Ο McMahon και οι συνεργάτες του επέλεξαν την πλάκα τιτανίου ως ένα τέτοιο σύστημα, επειδή τα πολλά μοτίβα δονήσεων συνδυάζουν τον εισερχόμενο ήχο με περίπλοκους τρόπους. Για να κάνουν την πλάκα να λειτουργεί σαν νευρωνικό δίκτυο, τροφοδοτούσαν έναν ήχο που κωδικοποιούσε την εικόνα εισόδου (ένα χειρόγραφο 6, για παράδειγμα) και έναν άλλο που αντιπροσωπεύει τα συναπτικά βάρη. αιχμές και γούρνες που απαιτούνται για να χτυπήσει την πλάκα τιτανίου ακριβώς τις κατάλληλες στιγμές ώστε η συσκευή να συγχωνεύσει τους ήχους και να δώσει την απάντηση — όπως ένας νέος ήχος που είναι πιο δυνατός στο έκτο χιλιοστό του δευτερολέπτου, που αντιπροσωπεύει την ταξινόμηση "6".

Η ομάδα υλοποίησε επίσης το σχέδιό της σε ένα οπτικό σύστημα - όπου η εικόνα εισόδου και τα βάρη κωδικοποιούνται σε δύο δέσμες φωτός που ανακατεύονται μεταξύ τους από έναν κρύσταλλο - και σε ένα ηλεκτρονικό κύκλωμα ικανό να ανακατεύει με παρόμοιο τρόπο τις εισόδους. Κατ' αρχήν, οποιοδήποτε σύστημα με βυζαντινή συμπεριφορά θα τα καταφέρει, αν και οι ερευνητές πιστεύουν ότι το οπτικό σύστημα έχει ιδιαίτερη υπόσχεση. Όχι μόνο ένας κρύσταλλος μπορεί να συνδυάσει το φως εξαιρετικά γρήγορα, αλλά το φως περιέχει επίσης άφθονα δεδομένα για τον κόσμο. Ο McMahon φαντάζεται μικροσκοπικές εκδόσεις του οπτικού νευρωνικού του δικτύου κάποια μέρα που θα χρησιμεύουν ως μάτια των αυτοοδηγούμενων αυτοκινήτων, αναγνωρίζοντας πινακίδες στάσης και πεζούς πριν τροφοδοτήσουν αυτές τις πληροφορίες στο τσιπ υπολογιστή του οχήματος, όπως και οι αμφιβληστροειδείς μας που εκτελούν κάποια βασική οπτική επεξεργασία στο εισερχόμενο φως.

Η αχίλλειος πτέρνα αυτών των συστημάτων, ωστόσο, είναι ότι η εκπαίδευσή τους απαιτεί επιστροφή στον ψηφιακό κόσμο. Η οπίσθια διάδοση περιλαμβάνει τη λειτουργία ενός νευρωνικού δικτύου αντίστροφα, αλλά οι πλάκες και οι κρύσταλλοι δεν αναμιγνύουν εύκολα τους ήχους και το φως. Έτσι η ομάδα κατασκεύασε ένα ψηφιακό μοντέλο κάθε φυσικού συστήματος. Αντιστρέφοντας αυτά τα μοντέλα σε φορητό υπολογιστή, θα μπορούσαν να χρησιμοποιήσουν τον αλγόριθμο backpropagation για να υπολογίσουν πώς να προσαρμόσουν τα βάρη για να δώσουν ακριβείς απαντήσεις.

Με αυτήν την εκπαίδευση, το πιάτο έμαθε να ταξινομεί σωστά τα χειρόγραφα ψηφία στο 87% των περιπτώσεων. Το κύκλωμα και το λέιζερ έφτασαν την ακρίβεια 93% και 97%, αντίστοιχα. Τα αποτελέσματα έδειξαν ότι «όχι μόνο τα τυπικά νευρωνικά δίκτυα μπορούν να εκπαιδεύονται μέσω της οπισθοδιάδοσης», δήλωσε η Julie Grollier, φυσικός στο γαλλικό Εθνικό Κέντρο Επιστημονικής Έρευνας (CNRS). "Αυτό είναι όμορφο."

Η μεταλλική πλάκα του ομίλου που τρέμει δεν έχει φέρει ακόμα την πληροφορική πιο κοντά στη συγκλονιστική αποτελεσματικότητα του εγκεφάλου. Δεν προσεγγίζει καν την ταχύτητα των ψηφιακών νευρωνικών δικτύων. Αλλά ο McMahon θεωρεί τις συσκευές του ως εντυπωσιακή, αν και μέτρια, απόδειξη ότι δεν χρειάζεστε εγκέφαλο ή τσιπ υπολογιστή για να σκεφτείτε. "Οποιοδήποτε φυσικό σύστημα μπορεί να είναι ένα νευρωνικό δίκτυο", είπε.

Το μαθησιακό μέρος

Οι ιδέες αφθονούν για το άλλο μισό του παζλ — να μάθουν ένα σύστημα από μόνο του.

Ο Florian Marquardt, φυσικός στο Ινστιτούτο Max Planck για την Επιστήμη του Φωτός στη Γερμανία, πιστεύει ότι μια επιλογή είναι να κατασκευαστεί μια μηχανή που να τρέχει προς τα πίσω. Πέρυσι, αυτός και ένας συνεργάτης πρότειναν ένα φυσικό ανάλογο του αλγόριθμου backpropagation που θα μπορούσε να εκτελεστεί σε ένα τέτοιο σύστημα.

Για να δείξουν ότι λειτουργεί, προσομοίωσαν ψηφιακά μια ρύθμιση λέιζερ κάπως σαν του McMahon, με τα ρυθμιζόμενα βάρη κωδικοποιημένα σε ένα κύμα φωτός που αναμιγνύεται με ένα άλλο κύμα εισόδου (κωδικοποιώντας, ας πούμε, μια εικόνα). Ωθούν την έξοδο να είναι πιο κοντά στη σωστή απάντηση και χρησιμοποιούν οπτικά στοιχεία για να ξεμειώσουν τα κύματα, αντιστρέφοντας τη διαδικασία. «Η μαγεία», είπε ο Marquardt, είναι ότι «όταν δοκιμάζετε τη συσκευή για άλλη μια φορά με την ίδια είσοδο, [η έξοδος] έχει τώρα την τάση να είναι πιο κοντά στο σημείο που θέλετε να είναι». Στη συνέχεια, συνεργάζονται με πειραματιστές για την κατασκευή ενός τέτοιου συστήματος.

Αλλά η εστίαση σε συστήματα που εκτελούνται αντίστροφα περιορίζει τις επιλογές, έτσι άλλοι ερευνητές αφήνουν πίσω τους εντελώς την αντίστροφη διάδοση. Παίρνουν ενθάρρυνση από το να γνωρίζουν ότι ο εγκέφαλος μαθαίνει με κάποιον άλλο τρόπο εκτός από την τυπική οπισθοδιάδοση. «Ο εγκέφαλος δεν λειτουργεί έτσι», είπε ο Scellier. Ο νευρώνας Α επικοινωνεί με τον νευρώνα Β, "αλλά είναι μόνο μονόδρομος."

Η Julie Grollier, φυσικός στο Εθνικό Κέντρο Επιστημονικής Έρευνας της Γαλλίας, έχει εφαρμόσει έναν αλγόριθμο φυσικής μάθησης που θεωρείται ως μια πολλά υποσχόμενη εναλλακτική λύση στην αντίστροφη διάδοση.

Christophe Caudroy

Το 2017, ο Scellier και ο Yoshua Bengio, ένας επιστήμονας υπολογιστών στο Πανεπιστήμιο του Μόντρεαλ, ανέπτυξαν μια μέθοδο μονής κατεύθυνσης μάθησης που ονομάζεται διάδοση ισορροπίας. Για να κατανοήσετε πώς λειτουργεί, φανταστείτε ένα δίκτυο βελών που λειτουργούν σαν νευρώνες, με την κατεύθυνση τους να δείχνει 0 ή 1, συνδεδεμένα σε ένα πλέγμα με ελατήρια που λειτουργούν ως συναπτικά βάρη. Όσο πιο χαλαρό είναι ένα ελατήριο, τόσο λιγότερο τα συνδεδεμένα βέλη τείνουν να κουμπώνουν σε ευθυγράμμιση.

Αρχικά, στρίβετε τα βέλη στην πιο αριστερή σειρά για να αντικατοπτρίζουν τα εικονοστοιχεία του χειρόγραφου ψηφίου σας και τα κρατάτε σταθερά ενώ η ενόχληση κυματίζει μέσα από τα ελατήρια, γυρίζοντας άλλα βέλη. Όταν σταματήσει η ανατροπή, τα βέλη στο δεξιό μέρος δίνουν την απάντηση.

Κυρίως, δεν χρειάζεται να εκπαιδεύσετε αυτό το σύστημα ξεγυρίζοντας τα βέλη. Αντίθετα, συνδέετε ένα άλλο σύνολο βελών που δείχνουν τη σωστή απάντηση στο κάτω μέρος του δικτύου. αυτά τα βέλη αναστροφής στο επάνω σετ, και ολόκληρο το πλέγμα εγκαθίσταται σε μια νέα ισορροπία. Τέλος, συγκρίνετε τους νέους προσανατολισμούς των βελών με τους παλιούς προσανατολισμούς και σφίγγετε ή χαλαρώνετε ανάλογα κάθε ελατήριο. Σε πολλές δοκιμές, τα ελατήρια αποκτούν πιο έξυπνες τάσεις με τρόπο που οι Scellier και Bengio έχουν δείξει ότι ισοδυναμεί με οπίσθια διάδοση.

«Θεωρήθηκε ότι δεν υπήρχε πιθανή σύνδεση μεταξύ των φυσικών νευρωνικών δικτύων και της οπισθοδιάδοσης», είπε ο Grollier. "Πολύ πρόσφατα αυτό είναι που άλλαξε και αυτό είναι πολύ συναρπαστικό."

Οι αρχικές εργασίες για τη διάδοση της ισορροπίας ήταν όλες θεωρητικές. Αλλά σε μια επερχόμενη δημοσίευση, ο Grollier και ο Jérémie Laydevant, ένας φυσικός στο CNRS, περιγράφουν μια εκτέλεση του αλγορίθμου σε μια μηχανή που ονομάζεται κβαντικός ανόπτησης, που κατασκευάστηκε από την εταιρεία D-Wave. Η συσκευή διαθέτει ένα δίκτυο χιλιάδων υπεραγωγών που αλληλεπιδρούν που μπορούν να λειτουργήσουν σαν βέλη που συνδέονται με ελατήρια και φυσικά να υπολογίζουν πώς πρέπει να ενημερωθούν τα «ελατήρια». Ωστόσο, το σύστημα δεν μπορεί να ενημερώσει αυτόματα αυτά τα συναπτικά βάρη.

Κλείσιμο του κύκλου

Τουλάχιστον μία ομάδα έχει συγκεντρώσει τα κομμάτια για να φτιάξει ένα ηλεκτρονικό κύκλωμα που κάνει όλες τις βαριές άρσεις — σκέψη, μάθηση και ενημέρωση βαρών — με τη φυσική. «Καταφέραμε να κλείσουμε τον βρόχο για ένα μικρό σύστημα», είπε ο Sam Dillavou, φυσικός στο Πανεπιστήμιο της Πενσυλβάνια.

Ο Sam Dillavou, ένας φυσικός στο Πανεπιστήμιο της Πενσυλβάνια, ασχολείται με ένα κύκλωμα που μπορεί να τροποποιηθεί καθώς μαθαίνει.

Jacob F. Wycoff

Ο στόχος για τον Dillavou και τους συνεργάτες του είναι να μιμηθούν τον εγκέφαλο, μια κυριολεκτικά έξυπνη ουσία:ένα σχετικά ομοιόμορφο σύστημα που μαθαίνει χωρίς καμία ενιαία δομή να καλεί τους πυροβολισμούς. "Κάθε νευρώνας κάνει το δικό του", είπε.

Για το σκοπό αυτό, κατασκεύασαν ένα κύκλωμα αυτοεκμάθησης, στο οποίο οι μεταβλητές αντιστάσεις λειτουργούν ως συναπτικά βάρη και οι νευρώνες είναι οι τάσεις που μετρώνται μεταξύ των αντιστάσεων. Για να ταξινομήσει μια δεδομένη είσοδο, μεταφράζει τα δεδομένα σε τάσεις που εφαρμόζονται σε μερικούς κόμβους. Το ηλεκτρικό ρεύμα περνά μέσα από το κύκλωμα, αναζητώντας τις διαδρομές που διαχέουν τη λιγότερη ενέργεια και αλλάζοντας τις τάσεις καθώς σταθεροποιείται. Η απάντηση είναι η τάση σε καθορισμένους κόμβους εξόδου.

Η κύρια καινοτομία τους ήρθε στο διαρκώς προκλητικό βήμα μάθησης, για το οποίο επινόησαν ένα σχήμα παρόμοιο με τη διάδοση ισορροπίας που ονομάζεται συζευγμένη μάθηση. Καθώς ένα κύκλωμα λαμβάνει δεδομένα και «σκέφτεται» μια εικασία, ένα πανομοιότυπο δεύτερο κύκλωμα ξεκινά με τη σωστή απάντηση και το ενσωματώνει στη συμπεριφορά του. Τέλος, τα ηλεκτρονικά που συνδέουν κάθε ζεύγος αντιστάσεων συγκρίνουν αυτόματα τις τιμές τους και τις προσαρμόζουν για να επιτύχουν μια πιο «έξυπνη» διαμόρφωση.

Η ομάδα περιέγραψε το στοιχειώδες κύκλωμά της σε μια προεκτύπωση το περασμένο καλοκαίρι, δείχνοντας ότι μπορούσε να μάθει να διακρίνει τρία είδη λουλουδιών με ακρίβεια 95%. Τώρα εργάζονται σε μια πιο γρήγορη, πιο ικανή συσκευή.

Ακόμη και αυτή η αναβάθμιση δεν θα πλησιάσει στο να ξεπεράσει ένα τσιπ πυριτίου τελευταίας τεχνολογίας. Αλλά οι φυσικοί που κατασκευάζουν αυτά τα συστήματα υποψιάζονται ότι τα ψηφιακά νευρωνικά δίκτυα -όσο ισχυρά κι αν φαίνονται σήμερα- θα φαίνονται τελικά αργά και ανεπαρκή δίπλα στα αναλογικά τους ξαδέρφια. Τα ψηφιακά νευρωνικά δίκτυα μπορούν να κλιμακωθούν τόσο πολύ πριν βαλτωθούν από υπερβολικούς υπολογισμούς, αλλά τα μεγαλύτερα φυσικά δίκτυα δεν χρειάζεται να κάνουν τίποτα άλλο παρά να είναι ο εαυτός τους.

"Είναι ένα τόσο μεγάλο, ταχέως κινούμενο και ποικίλο πεδίο που δυσκολεύομαι να πιστέψω ότι δεν θα υπάρχουν αρκετά ισχυροί υπολογιστές κατασκευασμένοι με αυτές τις αρχές", είπε ο Dillavou.