Nie wystarczy jednak po prostu umieścić defektu w diamencie i przepuścić obok niego światła. Emiter jest niezwykle mały, dlatego bez odpowiedniej konstrukcji większość światła mogłaby przejść przez urządzenie praktycznie bez kontaktu z nim.
Dlatego naukowcy otoczyli emiter specjalnie zaprojektowaną nanostrukturą fotoniczną. Jej zadaniem jest kontrolowanie pola elektromagnetycznego w taki sposób, aby maksymalnie zwiększyć oddziaływanie światła z centrum kwantowym.
W analizowanym projekcie wykorzystano strukturę z fosforku galu umieszczoną na diamencie. Sam obszar urządzenia zajmował około 1,5 × 0,7 mikrometra, a więc mniej niż rozmiary wielu bakterii.
Źródła
Nature Communications – Quantum nonlinearity for optical neural computing
arXiv – pełna wersja pracy dotyczącej kwantowej nieliniowości w optycznych sieciach neuronowych
Komentarze
Najbardziej przydatne było dla mnie wyjaśnienie tych 1,2 W. Sam nagłówek mógłby sugerować, że cały ogromny model AI potrzebowałby takiej mocy, a tutaj jasno zaznaczono, że chodzi tylko o energię optyczną potrzebną do funkcji aktywacji.
Ciekawe zestawienie z grafenem i efektem Kerra. Dopiero porównanie intensywności pokazuje, jak duża może być różnica między klasycznymi materiałami nieliniowymi a pojedynczym emiterem kwantowym.
Podoba mi się, że tekst nie przedstawia tego jako gotowego „kwantowego komputera AI”. Rozróżnienie pomiędzy komputerem kwantowym a klasycznym układem optycznym wykorzystującym kwantowy mechanizm aktywacji sporo mi wyjaśniło.
Nie wiedziałem wcześniej, że problemem może być nie tylko sama energia, ale też szybkość odpowiedzi emitera. Ten kompromis między bardzo małą liczbą fotonów a pasmem działania jest chyba jednym z ciekawszych aspektów całej koncepcji.
Dobrze, że opisano również ograniczenia związane z kriogeniką i produkcją milionów podobnych emiterów. Dzięki temu badanie wygląda dużo bardziej realistycznie, a nie jak kolejna zapowiedź technologii, która za chwilę zastąpi wszystkie GPU.
Testy z Pongiem i HalfCheetah dobrze pokazują, po co w ogóle potrzebna jest nieliniowość. Sam opis matematyczny byłby dla mnie bardziej abstrakcyjny, a na tych przykładach od razu wiadomo, dlaczego dokładanie kolejnych warstw liniowych nie wystarcza.
Zainteresował mnie fragment o inverse design. Nie zdawałam sobie sprawy, że przy projektowaniu takich nanostruktur można określić oczekiwany efekt, a geometrię układu pozostawić algorytmowi optymalizacyjnemu.
Dla mnie najważniejsze było to, że fotonika nie musi zastąpić elektroniki w całym komputerze. Wizja układu hybrydowego, gdzie światło wykonuje najbardziej kosztowne operacje, a elektronika odpowiada za pamięć i sterowanie, wydaje się znacznie bardziej zrozumiała.
Centrum SiV w diamencie było dla mnie zupełnie nowym tematem. Dobrze wyjaśniono, w jaki sposób nasycenie pojedynczego emitera może stworzyć coś odpowiadającego funkcji aktywacji w klasycznej sieci neuronowej.
Najciekawszy wniosek jest chyba taki, że energooszczędna nieliniowość nie musi być fizycznie niemożliwa. Pozostają ogromne problemy z produkcją, strojeniem emiterów i temperaturą pracy, ale przynajmniej wiadomo, że bariera może mieć charakter inżynieryjny.
Powyższe wypowiedzi są przykładowymi, symulowanymi komentarzami przygotowanymi na potrzeby prezentacji treści.
Dopiero po przeczytaniu tego tekstu zrozumiałem, dlaczego nieliniowość jest takim problemem w optycznych sieciach neuronowych. Wcześniej wszędzie czytałem głównie o szybkim mnożeniu macierzy za pomocą światła, ale mało kto wyjaśnia, co dzieje się pomiędzy kolejnymi warstwami.