При любой температуре выше абсолютного нуля атомы и молекулы находятся в постоянном хаотичном движении — это и есть тепловой шум. В обычных компьютерах энергия, необходимая для переключения битов, настолько велика, что эти случайные флуктуации просто не имеют значения. Но что если построить систему, которая не подавляет такой шум, а использует его?
Автор разработки, научный сотрудник Национальной лаборатории Лоуренса в Беркли Стивен Уайтлэм проводит аналогию с кораблями в океане. Волны здесь играют роль теплового шума. «Обычные вычисления — это океанский лайнер, который просто идет вперед, не обращая внимания на волны. Очень эффективно, но и очень дорого в смысле затрат энергии, — объясняет он. — А термодинамические вычисления — это серфер, использующий энергию волн».
Обычные компьютеры работают с определенными значениями битов — единицами и нулями. Термодинамический компьютер оперирует вероятностями, что позволяет решать некоторые задачи с гораздо меньшими затратами энергии.
Уайтлэм обратил внимание на принцип работы диффузионных моделей — того типа ИИ, который лежит в основе современных генераторов изображений. Если взять картинку и постепенно добавлять шум, пока она полностью не исчезнет, нейросеть можно обучить обращать этот процесс вспять — то есть, восстанавливать изображение из хаоса. А в термодинамической системе шум уже присутствует бесплатно.
Для расчетов ученый использовал уравнение Ланжевена, предложенное еще в 1908 году. Оно описывает, как системы эволюционируют под влиянием случайных флуктуаций. Манипулируя этим уравнением, можно вычислить вероятность изменения каждого пикселя — и обратить процесс, генерируя изображение из шума.
В численном моделировании Уайтлэм продемонстрировал генерацию изображений цифр «0», «1» и «2» из обучающей библиотеки. Пока это выглядит скромно по сравнению с возможностями современных нейросетей, но и сама концепция термодинамических вычислений существует лишь несколько лет.
«Глядя на историю машинного обучения и на то, как оно в итоге масштабировалось до более впечатляющих задач, мне любопытно: можно ли так же масштабировать термодинамическое оборудование?» — говорит Уайтлэм. История машинного обучения показывает: даже самые сложные системы начинались с примитивных примеров. Возможно, в будущем компьютеры действительно научатся думать не вопреки шуму, а благодаря ему.
Ранее российские ученые предложили новые схемы квантового детектора.