Coherent advantage in the computational expressivity of excitonic networks
本文证明了相干性是增强驱动-耗散激子网络计算表达能力的關鍵资源，使性能能够以类似于人工神经网络的方式随网络规模扩展，而强去相位则会抑制这种扩展性和整体表达能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在构建更智能机器的竞赛中，人工智能已成为电力的一种贪婪消费者。随着数字模型为了追求更好的性能而变得越来越大，运行它们所需的能量已成为一项沉重的负担。这一现实引发了对新计算方式的探索，旨在寻找超越驱动当前计算机的硅芯片之外的可能性。科学家们现在正在探索能够利用自然物理定律而非仅仅通过软件指令来进行计算的物理系统。一个充满前景的方向是使用能够吸收并传递能量的分子网络。这些被称为激子网络（excitonic networks）的系统，依赖于在分子之间移动的微小光能粒子。在量子世界中，这种运动可以表现为一种波，向外扩散并产生自我干涉；或者也可以表现为简单的粒子在不同位置之间跳跃。研究人员提出的问题是，波状行为是否为计算提供了一种粒子状行为无法比拟的特殊优势。
芝加哥大学的一个研究小组通过将这些分子网络视为一种类型的计算机，对这个问题进行了研究。在他们的设置中，系统的输入不是数据流，而是分子之间的物理连接。通过调整分子之间相互连接的强度，他们可以改变能量在网络中的流动方式。输出是系统的最终状态，具体而言，是在系统稳定下来后，在特定分子上发现能量的可能性。研究人员发现，当分子以波状、相干的方式进行相互作用时，系统会变得异常强大。随着他们在网络中增加更多的分子，系统能够执行的计算复杂度也稳步增长。这就像是在数字神经网络中增加更多层可以提高其识别模式的能力一样，仿佛增加机器的部件会自动使其具备解决更难问题的能力。
然而，这种力量是脆弱的，完全取决于环境。研究人员发现，如果系统受到过多的噪声或热量的干扰，波状行为就会坍缩。分子不再表现为一个统一的波，而是开始表现为在不同位置随机跳跃的独立粒子。在这种嘈杂、不相干的状态下，系统失去了扩展规模的能力。无论增加多少分子，它所能执行的计算复杂度始终停留在较低水平。这项研究表明，能量的波状性质不仅是一个副作用，而是一种关键资源。它允许系统利用所有分子之间的连接来创建复杂的响应，而嘈杂版本则只能利用少数直接连接。
为了测试这些想法，该团队使用计算机模拟来模拟具有不同规模和噪声水平的分子网络。他们观察到，在安静、相干的状态下，输入连接与输出能量分布之间的关系可以用一条数学曲线来描述，这条曲线随着网络规模的扩大而变得日益复杂。这条曲线可以多次扭转和转弯，从而能够表示非常复杂的函数。相比之下，当他们引入强噪声来模拟更温暖、更混乱的环境时，曲线变得平坦了。它变成了一个简单的形状，无论网络变得多么庞大，其复杂度都无法改变。这证实了执行复杂计算的能力与保持量子相干性直接相关。
这项工作的意义延伸到了我们未来如何构建计算机。研究人员建议，这些分子网络可以被训练来执行特定任务，类似于当今人工智能模型的训练方式。通过在支架（例如 DNA 链）上精心排列分子，科学家可以调节它们之间的连接，从而创造出一种能够高效解决问题的物理设备。该研究强调，虽然这些系统目前仍处于理论和模拟阶段，但其原理是植根于真实的物理化学之中的。核心发现是，相干性充当了计算能力的燃料。如果没有它，系统就会退回到经典物理学的局限之中，即增加部件并不一定会让机器变得更聪明。有了它，系统便获得了一种独特的处理信息的能力，这种能力会随着其规模的增长而扩展，为利用量子世界奇特且强大的规则实现高能效计算提供了一条潜在路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。