Quantum memristor: una unidad computacional dependiente de la memoria
Quantum memristor une los requisitos cuánticos conflictivos en un solo dispositivo.
La computación cuántica ha avanzado a pasos agigantados en los últimos años. De hecho, una vez que las grandes empresas de tecnología como IBM, Microsoft y Google comenzaron a mostrar interés, dejé de seguirles la pista. Sin embargo, la investigación sobre los elementos básicos de la computación cuántica continúa y es, para mí, más interesante que los logros de ingeniería de los laboratorios comerciales (que siguen siendo absolutamente necesarios).
De acuerdo con mis intereses, un grupo de investigadores demostró recientemente el primer memristor cuántico. Este puede ser un paso crítico para traer un tipo de red neuronal altamente eficiente al mundo de la computación cuántica sin una gran cantidad de conexiones cuánticas.
Memristores y sumando el cuanto
El concepto de memristor se remonta a la década de 1970, pero, durante mucho tiempo, estuvo como un calcetín debajo de la lavadora: olvidado y no extrañado. La idea esencial es que la corriente que fluye a través de un memristor no solo depende del voltaje que se aplica a los terminales, sino también del historial del voltaje aplicado. Las implementaciones físicas de los memristores ofrecen una gran promesa para la computación de bajo consumo porque se pueden utilizar para crear una memoria de bajo consumo.
Un memristor cuántico, cuando se considera a la luz de la información cuántica, es un poco más complicado. Un qubit, que almacena un solo bit de información cuántica en su estado cuántico, no tiene necesariamente un valor de bit bien definido. En lugar de ser un uno lógico o un cero lógico, puede estar en un estado de superposición cuántica. El valor del qubit solo se conoce cuando lo medimos: una medición siempre revela un uno o un cero. La probabilidad de obtener un uno (o un cero) lógico se rige por las propiedades de la superposición cuántica.
El trabajo de una computadora cuántica es modificar suavemente estas probabilidades a través de interacciones con otros estados de superposición cuántica hasta que se leen los resultados.
Ahora, considere un memristor en este esquema. Un memristor debe modificar el estado cuántico de un qubit en función del valor de los qubits anteriores. Eso significa dos cosas. Primero, el memristor tiene que preservar las propiedades cuánticas de un qubit (de lo contrario, no se pueden realizar más operaciones). En segundo lugar, para establecer su propio estado interno, el memristor tiene que medir un qubit, lo que elimina sus propiedades. En cierto sentido, esto significa que el memristor cuántico perfecto no puede existir (como referencia, hay teóricos que se sienten ofendidos por la idea del memristor clásico, por lo que este no es un territorio nuevo).
Partiendo la diferencia
Sin inmutarse por esta contradicción, los investigadores han logrado crear un memristor cuántico de todos modos. Comencemos con el núcleo de la idea. Imagina que tienes un espejo imperfecto. Si apunta al espejo con un solo fotón de luz, el fotón se reflejará en el espejo o se transmitirá, con una probabilidad que depende de cuán reflectante sea el espejo. Digamos que cuentas los fotones transmitidos y usas ese número para cambiar la reflectividad del espejo. Esto crea efectivamente un memristor, pero no un memristor cuántico.
Para añadir felicidad cuántica, tenemos que modificar ligeramente el experimento. Reemplazamos la fuente de luz con una que envía paquetes que contienen un solo fotón o ningún fotón (un estado de superposición de uno o cero fotones). Los paquetes que se reflejan desde el espejo conservan su estado de superposición y pueden utilizarse para futuros cálculos, mientras que los que se transmiten se miden para modificar la reflectividad del espejo. Ahora tenemos un memristor cuántico completo: la probabilidad de que un futuro qubit sea reflejado por el espejo se modifica por el estado actual del qubit.
Implementar esto en la práctica es un poco más complejo, y los investigadores usaron diferentes propiedades de los fotones además de la cantidad de fotones. Sin embargo, el comportamiento (y el modelo matemático) son los mismos y el memristor cuántico funcionó como se esperaba.
Computación de yacimientos
La implementación experimental de los investigadores fue solo para un solo qubit. Y, francamente, no hay mucho que puedas hacer con un solo qubit. Para demostrar las posibilidades de los memristores cuánticos, los investigadores recurrieron al modelado, enfocando sus modelos en algo llamado computación de reservorios.
Imagina que quieres reconocer gatos en imágenes. Una imagen puede constar de unos pocos millones de píxeles, cada uno de 24 bits, mientras que la información que queremos extraer se puede representar con un solo bit (1 = gato, 0 = sin gato). Para resolver este problema con una red neuronal, debe realizar mucho entrenamiento para establecer las conexiones correctas dentro y entre múltiples capas de la red.
En la computación de reservorios, los datos entrantes se colocan en un espacio de alta dimensión (el reservorio). La salida es entonces una porción de este espacio de alta dimensión (una porción es como tomar una sección transversal de una casa: una representación 2D de un objeto 3D), que se pasa a la capa de salida, que lo reconoce como gato indicador. o ningún gato. Las conexiones entre el depósito y la capa de salida deben entrenarse para producir una respuesta precisa, pero esto es considerablemente menos intensivo que entrenar un modelo tradicional de aprendizaje automático o aprendizaje profundo.
La clave está en el espacio de alta dimensión, que es una red aleatoria de elementos computacionales no lineales que tienen una memoria… que es más o menos lo que es un memristor. El cálculo realizado por la red aleatoria también es aleatorio (no hay entrenamiento ni diseño específico involucrado), pero el cálculo es idéntico para cada entrada. Por lo que puedo decir, la computación de reservorios requiere muchos recursos para las computadoras clásicas, pero menos para las unidades de procesamiento cuántico (especialmente las que tienen una memoria intrínseca), lo que puede proporcionar una clara ventaja en comparación con los modelos tradicionales de aprendizaje automático.
Los investigadores modelaron la computación de reservorios basándose en su memristor cuántico. El modelo, por supuesto, tenía una escala limitada, pero aun así mostró un buen rendimiento en algunas tareas tradicionales de aprendizaje automático, como el reconocimiento de letras escritas a mano.
¿La especialización es el futuro?
En el pasado, teníamos coprocesadores matemáticos. Pero el objetivo era integrar tantas funciones como fuera posible en la CPU, lo que producía una unidad de procesamiento generalizada que era mala en casi todo (pero también lo suficientemente buena si no te importaba esperar). El procesamiento de gráficos destacó las limitaciones de ese enfoque, ya que las cosas volaban una vez que se descargaban de la CPU. Ahora, con el auge del aprendizaje automático, las unidades de procesamiento de tensores se agregan a las computadoras como unidades separadas.
Según esta tendencia, puede resultar que nunca haya una computadora cuántica de propósito general, sino que hay muchas arquitecturas diferentes, cada una excelente para resolver tipos específicos de problemas. Y, quién sabe, tal vez los memristores cuánticos sean parte de eso.
