رایانه‌ای که از نویز حرارتی تصویر می‌سازد: انقلابی در محاسبات احتمالاتی

تولد یک پارادایم محاسباتی جدید

در دنیای فناوری که مصرف انرژی سیستم‌های هوش مصنوعی به یک نگرانی فزاینده تبدیل شده است، گروهی از دانشمندان رویکردی کاملاً نوین را معرفی کرده‌اند. آن‌ها موفق به ساخت نمونه‌ای مفهومی از یک "رایانه ترمودینامیکی مولد" شده‌اند که برخلاف رایانه‌های مرسوم، نه تنها نویز حرارتی را خنثی نمی‌کند، بلکه از آن به عنوان منبعی برای انجام محاسبات و حتی تولید تصویر استفاده می‌کند. این نوآوری می‌تواند مسیر را برای طراحی سخت‌افزارهایی با کارایی انرژی به مراتب بالاتر هموار کند.

استفان وایتلم، دانشمند ارشد آزمایشگاه ملی لارنس برکلی و نویسنده اصلی این مطالعه، با ارائه یک تشبیه جالب، ماهیت این تحول را شرح می‌دهد. او محاسبات متعارف را به یک کشتی اقیانوس‌پیما تشبیه می‌کند که با صرف انرژی بسیار زیاد، امواج (نویز) را نادیده می‌گیرد و مستقیم پیش می‌رود. در مقابل، رایانه ترمودینامیکی مانند یک موج‌سوار است که انرژی امواج را مهار کرده و از آن برای حرکت بهره می‌برد. این تغییر نگرش از "مقابله با نویز" به "همکاری با نویز"، کلید اصلی صرفه‌جویی چشمگیر در مصرف انرژی است.

نویز حرارتی: از مشکل به فرصت

در دمای بالاتر از صفر مطلق، جهان پر از نوسانات انرژی است که به آن نویز حرارتی می‌گویند. این نویز در جنبش اتم‌ها و مولکول‌ها یا تغییر جهت‌های کوانتومی در مقیاس اتمی خود را نشان می‌دهد. در تراشه‌های رایانه‌ای امروزی، انرژی مورد نیاز برای تغییر حالت بیت‌ها (از ۰ به ۱ و برعکس) آن‌قدر زیاد است که در مقایسه با انرژی ناچیز نویز حرارتی، این نویز کاملاً قابل چشم‌پوشی است. بنابراین، تمام تلاش مهندسی بر حذف یا کاهش اثر این نویز متمرکز شده است.

اما در رایانه ترمودینامیکی، داستان متفاوت است. این سیستم به گونه‌ای طراحی شده که در سطح انرژی‌هایی مشابه با انرژی نویز حرارتی عمل می‌کند. در چنین شرایطی، نویز دیگر یک عامل مزاحم نیست، بلکه به بخشی جدایی‌ناپذیر و مفید از فرآیند محاسبه تبدیل می‌شود. پژوهشگران شرکت Normal Computing Corporation با ساخت شبکه‌ای از مدارهای به هم پیوسته که در سطح انرژی پایین کار می‌کنند، نمونه‌ای نزدیک به این ایده را عملی کرده‌اند. در این سیستم، قدرت اتصال بین گره‌های مدار قابل برنامه‌ریزی است.

حتی در حالت تعادل ترمودینامیکی، نویز موجود در مدارها باعث نوسان مقادیر گره‌ها می‌شود، اما این نوسان به روشی بسیار خاص و تحت کنترل قدرت اتصالات برنامه‌ریزی شده رخ می‌دهد. بنابراین، با تنظیم این اتصالات می‌توان در واقع یک "سوال" را به سیستم تحمیل کرد و "پاسخ" آن را در الگوی نوسانات تعادلی مشاهده نمود. این گروه نشان دادند که می‌توان از این روش حتی برای حل مسائل جبر خطی استفاده کرد.

از پاک شدن تصویر تا بازسازی آن: الهام از هوش مصنوعی

ایده اصلی برای استفاده از این سیستم در تولید تصویر، از مدل‌های انتشار (Diffusion Models) در هوش مصنوعی الهام گرفته شده است. حدود یک دهه پیش، پژوهش‌هایی نشان دادند که اگر به یک تصویر، نویز اضافه شود تا جایی که هیچ اثری از تصویر اصلی باقی نماند، یک شبکه عصبی می‌تواند آموزش ببیند تا این فرآیند را معکوس کند و تصویر اولیه را بازیابی نماید. اگر این شبکه بر روی مجموعه‌ای از تصاویر "نویزی‌شده" آموزش داده شود، قادر خواهد بود از یک نقطه شروع متشکل از نویز تصادفی، تصاویر جدیدی خلق کند، حتی تصاویری که در مجموعه آموزشی اصلی وجود نداشته‌اند.

وایتلم به این فکر افتاد که آیا می‌توان این اصل را در یک سخت‌افزار ترمودینامیکی پیاده‌سازی کرد؟ او خاطرنشان می‌کند که در حالی که محاسبات متعارف سعی در کاهش نویز به سطوح ناچیز دارند، بسیاری از الگوریتم‌های آموزش شبکه‌های عصبی مصنوعی، دوباره نویز به سیستم تزریق می‌کنند. پس آیا محیط ترمودینامیکی که در آن نویز به صورت رایگان و ذاتی وجود دارد، بستر طبیعی‌تری برای چنین کارهایی نیست؟

پیوند فیزیک کلاسیک و محاسبات نوین

کلید فنی این کار، استفاده از یک معادله فیزیکی قدیمی به نام معادله لانژون است که اولین بار در سال ۱۹۰۸ فرمول‌بندی شد. این معادله چگونگی تکامل یک سیستم تحت تأثیر نویز قابل توجه را توصیف می‌کند. با دستکاری این معادله، می‌توان احتمالات مربوط به هر مرحله از فرآیند پوشانده شدن یک تصویر با نویز را محاسبه کرد. به بیان ساده، این معادله احتمال اینکه هر پیکسل تحت تأثیر نویز حرارتی به رنگ نادرست تغییر کند را ارائه می‌دهد.

از این نقطه به بعد، مسیر معکوس می‌شود. با استفاده از این احتمالات، می‌توان قدرت اتصالات لازم (مثلاً در مدارها) را برای معکوس کردن فرآیند و حذف تدریجی نویز محاسبه کرد. این کار در نهایت منجر به تولید یک تصویر می‌شود. وایتلم این ایده را در یک شبیه‌سازی عددی با استفاده از مجموعه‌ای از تصاویر اعداد "۰"، "۱" و "۲" به اثبات رساند. نکته جالب این است که تصویر تولید شده می‌تواند دقیقاً یکی از تصاویر پایگاه داده آموزشی باشد، یا بر اساس "حدس" سیستم، تصویر جدیدی باشد که قبلاً دیده نشده است. حتی نقص‌های احتمالی در فرآیند آموزش می‌تواند به قابلیت خلق تصاویر کاملاً نو منجر شود.

چشم‌انداز و پیامدهای گسترده‌تر

رامی شلبایا، مدیرعامل شرکت Quantum Dice که در این مطالعه مشارکت نداشته، یافته‌ها را "مهم" توصیف می‌کند. شرکت او بر تولید سخت‌افزارهای محاسبات احتمالاتی با استفاده از اعداد تصادفی کوانتومی متمرکز است. شلبایا خاطرنشان می‌سازد که دیدن علاقه روزافزون به محاسبات احتمالاتی و پارادایم‌های مرتبط با آن، بسیار امیدوارکننده است. او به یک مزیت بالقوه فراتر از صرفه‌جویی در انرژی اشاره می‌کند.

شلبایا در ایمیلی می‌نویسد: «این مقاله همچنین نشان می‌دهد که چگونه رویکردهای الهام‌گرفته از فیزیک می‌توانند تفسیر بنیادی روشنی برای حوزه‌ای ارائه دهند که مدل‌های "جعبه سیاه" در آن سلطه داشته‌اند. این امر بینش‌های ضروری درباره فرآیند یادگیری فراهم می‌کند.» این موضوع به یکی از چالش‌های بزرگ هوش مصنوعی امروز، یعنی عدم شفافیت در تصمیم‌گیری مدل‌های پیچیده، می‌پردازد.

در مقایسه با مدل‌های تولیدی پیشرفته امروزی که قادر به خلق تصاویر پیچیده و متون هستند، بازیابی سه رقم از میان نویز ممکن است ساده به نظر برسد. اما وایتلم تأکید می‌کند که مفهوم محاسبات ترمودینامیکی تنها چند سال است که مطرح شده است. او با نگاهی به تاریخچه یادگیری ماشین و چگونگی گسترش آن به وظایف بزرگتر و چشمگیرتر، این پرسش کلیدی را مطرح می‌کند: «آیا سخت‌افزار ترمودینامیکی، حتی در سطح مفهومی، می‌تواند به همان شیوه مقیاس‌پذیر باشد؟»

پاسخ به این سوال، آینده این فناوری را رقم خواهد زد. اگر پاسخ مثبت باشد، ممکن است شاهد ظهور نسل جدیدی از پردازنده‌ها باشیم که نه تنها انرژی کم‌تری مصرف می‌کنند، بلکه برای حل دسته‌ای خاص از مسائل، مانند مسائل بهینه‌سازی پیچیده، به مراتب کارآمدتر عمل خواهند کرد. این مسیر، پیوندی عمیق‌تر بین فیزیک بنیادی و علم کامپیوتر ایجاد کرده و دریچه‌ای به سوی محاسباتی کاملاً جدید می‌گشاید.

منبع: Doi

اخبار علم و فناوری