İnsan beyninin, dünyanın en gelişmiş bilgisayarlarından çok daha güçlü olmasını sağlayan inanılmaz yetenekleri vardır. Bu yüzden mühendislerin uzun süredir kopyalamaya çalışmaları şaşırtıcı değildir. Günümüzde, beyin yapısından ilham alan yapay sinir ağları, yapay zekanın (AI) en zor problemlerinden bazılarının üstesinden gelmek için kullanılmaktadır. Ancak bu yaklaşım tipik olarak, yazılım geliştirmeyi içerir, böylece bilgiler nöronları taklit eden donanımlar oluşturmak yerine beyne benzer şekilde işlenir.
Araştırmacılar, AI yazılımı yerine en yeni “kuantum” teknolojisini kullanarak ilk adanmış sinir ağı bilgisayarını kurmayı umuyor. Amaçları: Bu iki bilgi işlem dalını bir araya getirerek, çok kısa sürede otomatik olarak çok karmaşık kararlar veren, benzeri görülmemiş bir hızda çalışan AI’ye rehberlik edecek bir atılım geliştirmek.
Bütün bir şehrin trafik akışını gerçek zamanlı olarak doğru bir şekilde yönetmek için özerk otomatik sürüş arabaları ve sistemleri gibi şeyler yaratmak için çok daha gelişmiş AI’ye ihtiyaç vardır. Bu tür bir yazılımı inşa etmeye yönelik birçok girişim, insan beynindeki nöronların yollarını taklit eden kod yazmayı ve bu yapay nöronların çoğunu bir ağda birleştirmeyi içerir. Her bir nöron, bir miktar giriş sinyali alarak ve bunları “evet” veya “hayır”a karşılık gelen bir çıktı vermek üzere işleyerek, karar verme sürecini taklit eder.
Her girdi karar için ne kadar önemli olduğuna göre derecelendirilir. Örneğin, size en çok hangi restorandan hoşlanacağınızı söyleyebilecek AI için, yemeğin kalitesi mevcut olan masanın bulunduğu yerden daha önemli olabilir, bu nedenle karar verme sürecinde daha fazla ağırlık verilebilir.
Bu ağırlıklar, sistemin performansını daha iyi çalışması için etkili bir şekilde eğiterek ağın performansını iyileştirmek için test çalıştırmalarında ayarlanır. Bu, Google’ın AlphaGo yazılımının, insan dünya şampiyonunu dört maçla bire bir yenmeye hazır olana kadar kendi kopyasına karşı oynayarak, karmaşık bir strateji oyunu olan Go’yu öğrenmesiydi. Ancak AI yazılımının performansı, ne kadar veri girişi konusunda eğitilebileceğine bağlıdır (AlphaGo durumunda, kendisine karşı ne sıklıkta oynadığıydı).
Quromorphic (Nöromorfik Kuantum Hesaplama) projesi, bu süreci radikal bir şekilde hızlandırmayı ve kuantum mekaniğinin ilkeleri üzerinde çalışan sinir ağları oluşturarak işlenebilecek girdi verisinin miktarını artırmayı amaçlamaktadır. Bu ağlar yazılıma kodlanmayacak, doğrudan süper iletken elektrik devrelerinden yapılmış donanıma yerleştirilecektir. Araştırmacılar bunun, onları hatasız ölçeklendirmeyi kolaylaştıracağını umuyor.
Geleneksel bilgisayarlar, verileri 0 veya 1 olmak üzere iki durumdan birini alabilen, bit olarak bilinen birimlerde depolar. Kuantum bilgisayarlar, verileri birçok farklı durum için alabilen “qubits” de depolar. Sisteme eklenen her bir qubit, bilgisayar gücünü iki katına çıkarır. Bu, kuantum bilgisayarlarının büyük miktarda veriyi paralel olarak (aynı anda) işleyebileceği anlamına gelir.
Şimdiye kadar, teknolojinin bölümlerini gösteren yalnızca küçük kuantum bilgisayarlar başarıyla oluşturulmuştur. Önemli ölçüde daha fazla işlem gücü potansiyeli ile motive olmuş, birçok üniversite, teknoloji devi ve yeni şirketler şimdi tasarımlar üzerinde çalışıyor. Ancak hiçbiri henüz mevcut (kuantum olmayan) bilgisayarlardan daha iyi performans gösterebilecekleri bir aşamaya ulaşamadı.
Bunun nedeni, kuantum bilgisayarların çevrelerindeki rahatsızlıklardan çok iyi izole edilmeleri gerektiğidir, bu da makineler büyüdükçe zorlaşmaktadır. Örneğin, kuantum işlemcilerin bir vakumda çok soğuk bir sıcaklıkta (mutlak sıfıra yakın) tutulması gerekir, aksi takdirde kendilerine çarpan hava molekülleri etkilenebilir. Ancak işlemcinin iletişim kurmak için bir şekilde dış dünyaya da bağlanması gerekiyor.
Hata İçin Daha Fazla Alan
Projedeki teknik zorluklar, herhangi bir uygulama için kullanılabilecek evrensel bir kuantum bilgisayar oluşturmak için olanlara çok benzer. Ancak araştırmacılar, AI uygulamalarının geleneksel bilgisayarlara göre daha fazla hataya tahammül edebileceğini ve böylece makinenin bu kadar iyi yalıtılmış olmasına gerek kalmayacağını umuyor.
Örneğin, AI bir resmin bir otomobil mi yoksa bisiklet mi gösterip göstermediğine karar vermek gibi verileri sınıflandırmak için sıklıkla kullanılır. Bu kararı vermek için nesnenin her detayını tam olarak yakalaması gerekmez. Bu yüzden AI yüksek bilgisayar hızlarına ihtiyaç duyarken, bu kadar yüksek hassasiyet gerektirmez. Bu nedenle AI’nın kısa vadeli kuantum hesaplama için ideal bir alan olması umuluyor.
Proje, kuantum sinir ağlarıyla ilgili prensiplerin gösterilmesini içerecektir; Teknolojiyi tam anlamıyla kullanmak, daha büyük cihazlar yaratmayı ve hesaplama hatalarını önlemek için çok fazla teknik detayın, çok hassas bir şekilde kontrol edilmesini gerektirecektir. Bu, on yıl veya daha uzun zaman alabilir. Ancak bir kez kuantum sinir ağlarının, gerçek dünyadaki bir uygulamada klasik AI yazılımlarından daha güçlü olabileceği gösterildikten sonra, çok hızlı bir şekilde, en önemli teknolojilerin bir parçası haline gelecektir.
