Analog neutral-atom for in-memory processing in quantum reservoir computing

In de zoektocht naar het leren denken van machines hebben wetenschappers lang naar de menselijke hersenen gekeken voor inspiratie, met name naar hun vermogen om het verleden te onthouden terwijl ze het heden verwerken. Deze specifieke uitdaging, bekend als tijdreeksanalyse, houdt het begrijpen van reeksen gegevens in waarbij de volgorde van belang is, zoals het voorspellen van het weer of het analyseren van aandelenmarkten. Decennialang hebben onderzoekers geprobeerd digitale systemen te bouwen die dit "vervagende geheugen" nabootsen, waarbij oude informatie langzaam vervaagt om plaats te maken voor nieuwe gegevens, een eigenschap die essentieel is voor het begrijpen van een continue stroom van gebeurtenissen. Recentelijk is er een nieuwe grens geopend door te proberen deze taken niet op siliciumchips, maar op kwantumcomputers uit te voeren. Deze machines gebruiken de vreemde regels van de kwantumfysica om informatie te verwerken in hoogdimensionale ruimtes, wat een potentiële kortere weg biedt voor het oplossen van problemen die te complex zijn voor klassieke computers. Een grote hindernis blijft echter: kwantumsystemen zijn berucht fragiel en verliezen vaak snel hun vermogen om informatie vast te houden, of ze vereisen externe klassieke computers om als een tijdelijke geheugenbuffer te fungeren, wat het doel van het gebruik van een kwantummachine in de eerste plaats tenietdoet.

Een team van onderzoekers heeft nu een manier gedemonstreerd om deze beperking te overwinnen met behulp van een specifiek type kwantumhardware gemaakt van neutrale atomen. Door de manier waarop deze atomen met hun omgeving interageren zorgvuldig te manipuleren, creëerden de wetenschappers een systeem dat van nature zijn initiële staat vergeet terwijl het een nuttig verslag van recente inputs behoudt, zonder een externe klassieke geheugenbank nodig te hebben. Hun werk, dat steunt op simulaties van een kwantumsysteem in plaats van een fysiek experiment op een echte machine, onthult dat de sleutel tot het ontsluiten van dit geheugen ligt in een delicaat evenwicht tussen chaos en gecontroleerd verval. De onderzoekers ontdekten dat door hun systeem af te stemmen op een specifiek punt op de rand van kwantumchaos en een specifiek type energieverlies te introduceren, ze een "reservoir" konden bouwen dat in staat is complexe voorspellingsproblemen op te lossen met slechts vijf atomen. Deze aanpak suggereert een pad naar volledig autonome kwantumprocessors die in staat zijn om temporele taken in real-time inheems af te handelen, zonder afhankelijk te zijn van de trage, externe bufferingsmethoden waar huidige systemen vaak op vertrouwen.

De kern van dit onderzoek betreft een platform dat een neutraal atoomarray wordt genoemd, waarbij individuele atomen op hun plaats worden gehouden door gefocuste lichtstralen, vergelijkbaar met knikkers die in onzichtbare bekers worden gehouden. Deze atomen worden in een hoge energietoestand gebracht, waardoor ze sterk met elkaar kunnen interageren. In het verleden vertrouwden wetenschappers die deze platforms voor machine learning gebruikten vaak op een methode waarbij ze een brok data in het systeem voedden, het resultaat maten, en vervolgens het systeem resetten om opnieuw te beginnen voor de volgende brok. Deze aanpak is vergelijkbaar met het lezen van een boek pagina voor pagina en je geheugen van de vorige pagina wissen voordat je naar de volgende bladzijde omslaat; het werkt wel, maar het is inefficiënt en slaagt er niet in de continue stroom van informatie te vatten. De nieuwe studie stelt een andere strategie voor: een analoog systeem waarbij de data continu stroomt, en het systeem zelf evolueert om het geheugen van het verleden binnen zijn kwantumtoestand vast te houden. Om dit werkend te krijgen, moesten de onderzoekers een fundamenteel probleem oplossen: kwantumsystemen hebben de natuurlijke neiging om informatie ofwel voor altijd vast te houden (wat voorkomt dat ze oude data vergeten) of het te snel te verliezen. Ze hadden een manier nodig om een "vervagend geheugen" te induceren, waarbij het systeem het recente verleden onthoudt maar het verre verleden geleidelijk loslaat, een eigenschap die essentieel is voor het verwerken van tijdgebonden informatie.

De onderzoekers ontdekten dat het geheim van het bereiken van dit vervagende geheugen lag in het omarmen van dissipatie, of het gecontroleerde verlies van energie, in plaats van te proberen dit te elimineren. In hun simulaties modelleerden ze de atomen als interagerend met een omringende omgeving die ervoor zorgt dat ze in de loop van de tijd energie verliezen. Ze testten verschillende manieren waarop dit energieverlies kon optreden en vergeleken deze om te zien welke het beste in staat was om het vermogen om informatie te verwerken te behouden. Ze vonden dat een specifiek type energieverlies, bekend als amplitude-demping, het meest effectief was. Dit proces stuurt de atomen naar een stabiele grondtoestand, wat het systeem effectief "reinigt" van oude informatie, terwijl nieuwe inputs de toestand vormgeven op een manier die een spoor van de geschiedenis behoudt. Verrassend genoeg ontdekten ze ook dat een ander type ruis, dat normaal gesproken als schadelijk wordt beschouwd, nog steeds een kleine hoeveelheid geheugen kon behouden als het systeem werd aangedreven door een sterke externe kracht. Deze contra-intuïtieve bevinding toonde aan dat zelfs wanneer een systeem theoretisch niet in staat is om een stabiele toestand vast te houden, de constante druk en tegendruk van de drijvende kracht het in een staat van flux kan houden die het verleden voor een korte tijd onthoudt.

Om te testen hoe goed dit systeem werkte, voerde het team een reeks benchmarks uit die ontworpen waren om geheugen en voorspellingsvaardigheden te meten. Ze begonnen met een eenvoudige taak genaamd kortetermijngeheugen, waarbij het systeem een getal uit een aantal stappen geleden in een sequentie moest onthouden. Ze ontdekten dat het systeem het best presteerde wanneer de atomen waren afgestemd op een specifiek werkpunt dat bekend staat als de "rand van chaos". Dit is een regio waar het systeem noch volledig voorspelbaar noch volledig willekeurig is, maar zich in een ideale zone bevindt waar complexe patronen kunnen ontstaan. Wanneer de atomen op deze rand waren afgestemd, kon het systeem informatie veel langer onthouden dan wanneer het in een meer stabiele of meer chaotische staat verkeerde. De onderzoekers vergeleken ook twee manieren om het systeem op te schalen: het toevoegen van meer fysieke atomen versus het gebruiken van een techniek genaamd tijd-multiplexing, die probeert meer informatie uit hetzelfde aantal atomen te persen door ze op verschillende tijdstippen te bemonsteren. Ze ontdekten dat het toevoegen van meer fysieke atomen de meer betrouwbare methode was, omdat het nieuwe, onafhankelijke manieren toevoegde om informatie op te slaan, terwijl tijd-multiplexing snel een limiet bereikte waarbij de extra monsters te veel op elkaar leken om nuttig te zijn.

De ware test van het systeem kwam toen de onderzoekers het vroegen om complexe, chaotische patronen te voorspellen. Ze gebruikten twee beroemde wiskundige modellen die onvoorspelbare maar gestructureerde sequenties genereren, bekend als de Mackey-Glass en Santa Fe tijdreeksen. Dit zijn moeilijke taken omdat de toekomstige staat van het systeem afhangt van een lange en ingewikkelde geschiedenis van eerdere staten. De simulaties toonden aan dat hun kwantumreservoir deze sequenties met opmerkelijke nauwkeurigheid kon voorspellen, zelfs met een zeer klein aantal atomen. In één scenario was een array van slechts vijf atomen voldoende om het chaotische gedrag met hoge precisie te voorspellen. Cruciaal was dat de onderzoekers hun methode vergeleken met de oudere aanpak die vertrouwt op extern klassiek geheugen. Ze ontdekten dat hun autonome kwantumsysteem, dat zijn eigen geheugen vasthoudt, de klassiek-gebufferde systemen aanzienlijk overtrof. De oudere systemen hadden een grote window van het verleden nodig die van buitenaf ingevoerd moest worden om vergelijkbare resultaten te bereiken, terwijl het nieuwe systeem dit met een veel kleinere window kon doen, waardoor de informatie effectief intern wordt verwerkt.

De studie concludeert dat voor kwantum-reservoircomputing het een praktische realiteit te worden, de hardware vanaf het begin voorzien moet zijn van deze specifieke dissipatieve eigenschappen. De onderzoekers betogen dat het tijdperk van het proberen te bouwen van perfecte, geïsoleerde kwantumsystemen die nooit energie verliezen, misschien niet de juiste weg is voor dit specifieke type computing. In plaats daarvan ligt de toekomst in het ontwerpen van systemen die open staan voor hun omgeving, waarbij gecontroleerd energieverlies wordt gebruikt om het noodzakelijke vervagende geheugen te creëren. Door het systeem af te stemmen op de rand van chaos en de juiste soort energie-dissipatie te gebruiken, is het mogelijk om een kwantumcomputer te bouwen die fungeert als een echte temporele processor. Dit werk biedt een duidelijk blauwdruk voor het ontwerp van deze machines, en suggereert dat de volgende generatie kwantumapparaten in staat zou kunnen zijn om complexe, real-time datastromen inheems te verwerken, zonder de noodzaak van de zware externe ondersteuning die hun toepassing tot nu toe heeft beperkt.