Work as a function of protocol duration for the efficient erasure of an underdamped memory: isothermal to adiabatic transition
تكشف هذه الدراسة، باستخدام التعلم التعزيزي التطوري، أن متوسط العمل المطلوب لمحو بت ذاكرة تحت المخمّد ينتقل من نظام متساوي الحرارة (يتناسب طردياً مع فوق زمن الاسترخاء) إلى نظام ثابت الحرارة متميز (يتناسب ببطء أكثر من تحت زمن الاسترخاء)، مما يثبت أن البروتوكولات المتعلمة يمكن أن تتفوق على تلك التي تم تحسينها فقط لظروف الحدود المتوازنة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الفيزياء المجهرية الهادئ، توجد قاعدة أساسية تتعلق بالمعلومات والطاقة. تنص هذه القاعدة على أنك إذا أردت حذف قطعة واحدة من المعلومات، مثل مجرد "نعم" أو "لا"، فيجب عليك بذل كمية ضئيلة لا مفر منها من الطاقة للقيام بذلك. هذا ليس مجرد فكرة نظرية؛ بل هو قانون من قوان္ين الطبيعة. عندما يمسح جهاز كمبيوتر بتًّا (bit) من البيانات، فإنه يسخن قليلاً، وهذه الحرارة هي التكلفة الفيزيائية لعملية المسح. لقد عرف العلماء منذ زمن طويل أنه إذا قمت بعملية المسح ببطء شديد، يمكنك الاقتراب قدر الإمكان من الحد الأدنى لتكلفة الطاقة هذه. ومع ذلك، فإن الأجهزة في العالم الحقيقي تحتاج إلى العمل بسرعة. والسؤال الكبير كان: ماذا يحدث عندما تحاول مسح المعلومات بسرعة؟ هل ترتفع تكلفة الطاقة بشكل هائل، أم أن هناك طريقة أذكى للقيام بذلك؟ هذا السؤال مهم لأنه مع تقلص تقنياتنا وزيادة سرعتها، يصبح فهم حدود كفاءة الطاقة أمراً حاسماً لبناء آلات أفضل.
وضع فريق من الباحثين في ليون بفرنسا، وبيركلي بكاليفورنيا، هدفاً للإجابة على ذلك عبر بناء جهاز ذاكرة فيزيائي دقيق وتعليم الكمبيوتر كيفية مسحه بكفاءة. استخدموا عارضة معدنية مجهرية، تسمى "الكانتليفر" (cantilever)، وهي تهتز مثل وتر الغيتار. تعمل هذه العارضة كذاكرة مكونة من بت واحد: يمكنها الاستقرار في أحد وضعين، يمثلان الصفر أو الواحد. أراد الباحثون إجبار هذه العارضة على الانتقال من وضع عشوائي إلى وضع مستهدف محدد، مما يعني فعلياً مسح حالتها السابقة. وللقيام بذلك، طبقوا قوة كهربائية على العارضة، مشكلين مشهداً طاقياً غير مرئي يوجه حركة العارضة. وكان التحدي يكمكم في أن العارضة "تحت مخمدة" (underdamped)، مما يعني أنها خفيفة ومرنة؛ فبمجرد أن تبدأ في الحركة، تميل إلى الاستمرار في الاهتزاز بدلاً من التوقف فوراً. وهذا يجعل التحكم فيها سريعاً أمراً صعباً دون إهدار الطاقة أو الخطأ في الوصول إلى الهدف.
لإيجاد أفضل طريقة لمسح "البت"، لم يعتمد العلماء على الحدس البشري أو الصيغ القياسية. بدلاً من ذلك، استخدموا طريقة تسمى "التطور العصبي" (neuroevolution)، وهي نوع من الذكاء الاصطناعي يحاكي الانتقاء الطبيعي. قاموا بإنشاء توأم رقمي لتجربتهم الفيزيائية على جهاز كمبيوتر، وتركوا خوارزمية تطور آلاف الطرق المختلفة لتحريك العارضة. اختبر الكمبيوتر هذه الاستراتيجيات، محتفظاً بالأكثر كفاءة في استخدام الطاقة والتي تنجح في نقل العارضة إلى المكان الصحيح، مع استبعاد الإخفاقات. وعلى مدار جيل عديد، اكتشفت الخوارزمية مجموعة من التعليمات — بروتوكول — كانت أكثر كفاءة بكثير من أي طريقة صممها البشر. ثم أخذ الباحثون هذه التعليمات التي أنشأها الكمبيوتر وطبقوها على عارضتهم المعدنية الفيزيائية الحقيقية في المختبر ليروا ما إذا كانت الدروس الرقمية ستصمد في العالم الحقيقي.
كشفت النتائج عن انقسام مفاجئ في كيفية سلوك النظام، اعتماداً كلياً على الوقت المتاح لعملية المسح. عندما منح الباحثون النظام وقتاً كافياً، وهو وقت أطول بكثير من الوقت الذي تستغرقه العارضة لتستقر طبيعياً، اتبعت تكلفة الطاقة نمطاً يمكن التنبؤ به. كان العمل المطلوب أعلى قليلاً من الحد الأدني النظري، وكان ينخفض كلما أصبحت العملية أبطأ. وهذا طابق ما رآه العلماء في الأنظمة الأثقل والأبطأ حيث تسود الاحتكاك. ومع ذلك، عندما حاولوا مسح "البت" بسرعة، في وقت أقصر من وقت استقرار العارضة الطبيعي، تغيرت القواعد تماماً. في هذا النظام السريع، لم ترتفع تكلفة الطاقة بشكل جنوني كما كان متوقعاً؛ بل وجدت البروتوكولات المتعلمة طريقة لإبقاء ارتفاع تكلفة الطاقة بطيئاً جداً، حتى مع تقليص الوقت.
يكمن مفتاح هذه الكفاءة في كيفية حركة العارضة. في عملية المسح البطيئة، تظل العارضة في حالة توازن مع الهواء المحيط، وتكون العملية سلسة ومستقرة. أما في المسح السريع، فيتم دفع العارضة بقوة وسرعة كبيرة بحيث لا تستطيع البقاء في حالة توازن؛ فهي تسخن وتكتسب طاقة حركية، وتهتز بعنف. وجد الباحثون أن البروتوكولات الأكثر ذكاءً لم تحاول محاربة هذا التسخين أو إيقاف الاهتزازات فوراً، بل احتضنت السرعة. لقد حركوا العارضة بطريقة تقبل هذه الحالة عالية الطاقة والمؤقتة، معتبرين النظام وكأنه معزول و"أدياباتيكي" (adiabatic)، بدلاً من محاولة إبقائه بارداً. سمح لهم ذلك بالوصول إلى الهدف بجهد أقل بكثير مما لو حاولوا إبقاء النظام في حالة هادئة ومتوازنة.
أظهرت الدراسة أن البروتوكولات التي تعلمها الكمبيوتر لم تكن فقط أفضل قليلاً، بل كانت متفوقة بشكل ملحوظ على الطرق الأساسية المصممة يدوياً المستخدمة في التجارب السابقة. بالنسبة لعمليات المسح السريعة، غالباً ما تفشل الطريقة الأساسية، تاركة العارضة في الوضع الخاطئ، بينما تنجح الطريقة المتعلمة في معظم الأحيان. كما قارن الباحثون نتائجهم بما يحدث في الأنظمة الأبطأ والأثقل. واكتشفوا أنه في النظام السريع وتحت المخمد، فإن الطريقة الأكثر كفاءة لمسح "البت" هي السماح للنظام بالانتهاء في حالة ليست متوازنة تماماً مع محيطه. هذا تمييز جوهري لأن العديد من النظريات التقليدية تفترض أن العملية يجب أن تنتهي في حالة هادئة ومتوازنة لتعتبر مثالية. وجد الباحثون أنه من خلال التخلي عن هذا الشرط، استطاعوا تحقيق تكاليف طاقة أقل بكثير.
في النهاية، وضع الفريق حداً أدنى جديداً لكمية الطاقة المطلوبة لمسح "بت" بسرعة. اقترحوا "تجربة فكرية" نظرية تتضمن متحكماً مثالياً ومثالياً يمكنه قراءة حالة الذاكرة والتصرف بناءً على ذلك. أظهر هذا الحد النظري أن تكلفة الطاقة للمسح السريع يجب أن تنمو ببطء شديد مع تناقص الوقت، وتتدرج بطريقة محددة هي أكثر ملاءمة مما اقترحته القواعد القديمة. وقد حامت البيانات التجريبية والمحاكاة الحاسوبية فوق هذا الحد النظري مباشرة، مما أكد أن البروتوكولات المتعلمة كانت جيدة بقدر ما تسمح به الفيزياء. يوضح هذا العمل أنه باستخدام التعلم الآلي لاستكشاف النطاق الكامل من الحركات الممكنة، بدلاً من الالتزام بخطوات بسيطة وحدسية، يمكننا دفع حدود كفاءة الطاقة. ويشير ذلك إلى أن مستقبل الحوسبة فائقة السرعة ومنخفضة الطاقة قد يعتمد على تعلم ترك الأنظمة تتحرك بحرية وسرعة، بدلاً من محاولة إجبارها على التحرك ببطء وحذر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.