Arvutusliku keerukuse kontseptsiooni kohaselt on matemaatikaprobleemid erineva raskusastmega, olenevalt sellest, kui kergesti neid lahendada saab. Kuigi tavaarvuti suudab mõningaid probleeme (P) lahendada polünoomilise ajaga – see tähendab, et P lahendamiseks kuluv aeg on sisendi suuruse polünoomfunktsioon –, ei suuda see sageli lahendada NP-ülesandeid, mis skaleeruvad eksponentsiaalselt koos probleemi suurusega ja seetõttu ei saa seda polünoomilises ajas lahendada. Seetõttu ei saa piisavalt suuri NP probleeme lahendada tavaliste pooljuhtseadmetele ehitatud arvutite abil.
Kuna kvantarvuteid on võimalik teha samaaegselt märkimisväärsel hulgal toiminguid, peetakse neid selles osas paljulubavateks. Selle tulemusena kiireneb NP probleemide lahendamise protseduur. Paljud füüsilised rakendused on aga temperatuurimuutuste suhtes väga tundlikud.
Seetõttu nõuab kvantarvutite kasutamine sageli karme katsetingimusi, näiteks ülimadalat temperatuuri, mis muudab nende valmistamise keeruliseks ja suurendab nende maksumust.
Õnneks on kvantarvutuse vähem tuntud ja seni avastamata alternatiiv tõenäosusarvutus. NP-probleemide tõhusaks lahendamiseks kasutab stohhastiline andmetöötlus niinimetatud "stohhastilisi nanoseadmeid", mille töö sõltub termilistest kõikumistest. Erinevalt kvantarvutitest aitavad termilised kõikumised lahendada tõenäosusarvutusprobleeme. Seetõttu on tõenäosusarvutust igapäevastes olukordades praktilisem kasutada.
Teadlased on tõestanud tõenäosusarvutuse suutlikkust, simuleerides stohhastilisi nano-seadmete võrke konkreetsete NP-probleemide lahendamiseks, pakkudes selle elujõulise alternatiivi kohta väga vajalikku teavet. Purdue ülikooli professori Peter Bermeli juhitud uurimus on avaldatud ajakirjas Journal of Photonics for Energy (JPE).
Teadlased kasutasid "Isingi mudelit", standardmudelit, et simuleerida mitmesuguseid füüsilisi ja matemaatilisi teemasid. "Hamiltoni" nime all tuntud energiaoperaator võib kirjeldada ka NP probleeme. Hamiltoni töötati algselt välja aatomi spinnide magnetiliste dipoolmomentide interaktsioonide modelleerimiseks. Sisuliselt nõuab NP probleemi lahendamine sellega seotud Ising Hamiltoni lahendamist.
Need probleemid lahendatakse tõenäosusarvutusseadmete abil, mis koosnevad optilistest parameetrilistest ostsillaatoritest (OPO) ja stohhastilistest ringikujulistest nanomagnetvõrkudest, millel on madalad soojusbarjäärid.
Teadlased on sellise nanomagnetivõrgu aktiveerinud olemasolevate valmistamistehnikate abil. Seejärel rakendasid nad seda kombinatsiooni optimeerimisega seotud arvuteooriast nelja NP-täieliku probleemi Ising Hamiltoniansi lahendamiseks. NP-täielikud probleemid on ülesanded, millel puudub tõhus lahendusalgoritm. Nende hulka kuuluvad täisarvuline lineaarne programmeerimine, binaarne täisarvuline lineaarne programmeerimine, täielik katvus ja arvude jagamine.
Isingi mudeli teoreetiline lahendus (Boltzmanni seadus) ja esimese kolme 3, 3 ja 6 tõenäosusbitti (p-bitti) sisaldava ülesande simulatsioonitulemused olid täiesti kooskõlas. Viie erineva täieliku katvuse probleemi simulatsioonid 3, 6, 9, 12 ja 15 p-bitiga näitasid sarnase kokkuleppe modelleerimise ja teooria vahel. See näitas, et tõenäosusarvutuse raamistikke saab skaleerida.
Bermeli sõnul on „tõenäosusliku andmetöötluse traditsiooniliste arvutustehnikate võimsaks ja elujõuliseks alternatiiviks muutmise võti efektiivne skaleerimine koos ülesande suurusega. Selleks et teha kindlaks, millised strateegiad on kõige tõhusamad, tuleb kasutada nii mudeleid kui katseid.
Teadlased viitavad sellele, et isegi kui antud simulatsioonitulemused näitavad kindlaid tulemusi kõigi p-bittide kohta (3 kuni 15), võivad paralleelsed algoritmid aidata simulatsioonivõimet veelgi suurendada. Üleminek nanomagnetilt OPO võrkudele võib võimaldada tõhusat probleemide lahendamist seal, kus paralleelsus pole võimalik. Süsteemi saab hõlpsasti juurutada ja kaardistada üle OPO võrgu, kasutades olemasolevaid tootmisprotsesse, näiteks CMOS-tehnoloogiat. Selle tulemusena saab lõpuks konstrueerida tõenäosuslikuks arvutamiseks madala energiabarjääriga stohhastilisi nanomagneteid.
Colorado Boulderi ülikooli professori ja JPE peatoimetaja Sean Shaheeni sõnul: „Kuna tehisintellekt ja teaduslik/ettevõtete andmetöötlus kasvab kiirusega, mis tekitab märkimisväärset, kui mitte kiireloomulist muret energiatarbimise ja süsiniku jalajälje pärast, - Arvuti riistvara arendamise traditsioonilised vormid muutuvad üha olulisemaks.
See Zhu, Xi ja Bermeli töö pakub realistlikku teed tehnoloogiani, mis suudab lahendada märkimisväärse klassi NP-ga seotud probleeme. Töö demonstreerib skaleeritavat energiatõhusat lahendust, millel on potentsiaal ületada märkimisväärselt tavalist riistvara arvutuslikult nõudlike ülesannete täitmisel, kasutades Isingi arvutuste juhtimiseks leidlikult optiliste seadmete mittelineaarseid võrke.
Allikas: techxplore.com/news
Günceleme: 03/05/2023 14:19