نورون‌های مصنوعی با استفاده از مدارات فوتونی کوانتومی می‌شوند
در سال‌های اخیر، هوش مصنوعی از طریق کاربری‌هایی نظیر تفسیر گفتار، تشخیص تصویر، تشخیص پزشکی و بسیاری زمینه‌های دیگر بسطی فراگیر یافته است. در عین حال، فن‌آوری کوانتومی نیز مشخصاً قابلیتش در توان محاسباتی تا حد و مرزهایی فراتر از حتی عظیمترین ابررایانه‌های جهان را اثبات کرده است. فیزیکدانان حالا از ابزار نوینی به نام «ممریستور یا مقاومت حافظه‌دار» کوانتومی رونمایی کرده‌اند که می‌تواند اجازه‌ی تلفیق این دو جهان و نتیجتاً امکان گشایش قابلیت‌های بی‌سابقه‌ای را فراهم آورد. این آزمایش بر روی یک پردازشگر کوانتومی تلفیقی که بر اساس فوتون‌های واحد عملگری می‌کند به واقعیت پیوسته است.
در سالیان اخیر، هوش مصنوعی در قالب کاربری‌هایی نظیر تفسیر گفتار، تشخیص تصویر، تشخیص پزشکی و بسیاری از دیگر زمینه‌ها بسطی فراگیر یافته است و شرکت برنامه نویسی پیشگامان لوتوس نیز در این زمینه ها فعال است. در عین حال، فن‌آوری کوانتومی نیز مشخصاً قابلیتش در توان محاسباتی تا حد و مرزهایی فراتر از حتی عظیمترین ابررایانه‌های جهان را اثبات کرده است. فیزیکدانان دانشگاه وین حالا از ابزار جدیدی به نام «ممریستور یا مقاومت حافظه‌دار» کوانتومی رونمایی کرده‌اند که می‌تواند اجازه‌ی تلفیق این دو جهان و نتیجتاً امکان گشایش قابلیت‌های بی‌سابقه‌ای را فراهم آورد. آزمایش انجام پذیرفته با همکاری شورای تحقیقات ملی (CNR) و دانشگاه پلی‌تکنیک میلان ایتالیا بر روی یک پردازشگر کوانتومی تلفیقی که بر اساس فوتون‌های واحد عملگری می‌کند به خود جامه‌ی حقیقت پوشیده است. نتیجه‌ی این تحقیق در شماره‌ی کنونی نشریه‌ی «فوتونیک طبیعت» انتشار یافته است.
در قلب تمامی کاربری‌های مرتبط با هوش مصنوعی، مدل‌هایی ریاضیاتی به نام شبکه‌های عصبی قرار دارند این مدل‌ها از ساختار بیولوژیکی مغز انسان الهام گرفته شده‌اند و از گره‌هایی در هم پیوسته تشکیل می‌یابند. دقیقاً به همان شکلی که مغز ما از طریق بازچیدمان دائمی اتصالات در میان نورون‌ها به یادگیری می‌پردازد، شبکه‌های عصبی نیز با استفاده از تنظیم ساختار درونی‌شان تا زمان دستیابی به توان انجام کارکردهایی انسان‌سطح نظیر تشخیص چهره، تفسیر تصاویر طبی برای تشخیص پزشکی، و حتی راندن خودروهامان به شکلی ریاضیاتی آموزش‌پذیر هستند. بنابراین، تلفیق و ادغام ابزارهایی که قادر به انجام سریع و کارآمد محاسبات دخیل در شبکه‌های عصبی باشند، به تمرکزی عمده برای تحقیقات در هر دو سطح دانشگاهی و صنعتی تبدیل شده است.
یکی از تحولات تعیین‌کننده در این زمینه، کشف ممریستور بود که در سال 2008 ساخته شد. مقاومت این ابزار بسته به حافظه‌ای از جریان پیشین تغییر می‌یابد و از همین روست که مقاومت حافظه‌دار یا ممریستور نامیده می‌شود. بلافاصله پس از کشف این ابزار، دانشمندان متوجه شدند که (علاوه بر کاربری‌های زیاد ممریستورها) رفتار عجیب و ویژه‌شان شباهت شگرفی با سیناپس‌های عصبی دارد. بنابراین، ممریستور به یکی از سنگ بناهای بنیادین معماری‌های نورومورفیک تبدیل شد.
گروهی از فیزیکدانان تجربی دانشگاه وین، شورای تحقیقات ملی (CNR) و دانشگاه پلی‌تکنیک میلان تحت رهبری پروفسور فیلیپ والتر و دکتر روبرتو اُسلامه نشان دادند که ساخت یک ممریستور کوانتومی امکانپذیر است، یعنی ابزاری که با عملگری همزمان بر اساس شرایط کوانتومی کار می‌کند و دارای قابلیت کدگذاری و انتقال اطلاعات کوانتومی‌ست. محقق ساختن چنین ابزاری به این دلیل چالش‌برانگیز است که دینامیک یک ممریستور به نقض رفتار کوانتومی معمول تمایل دارد.
فیزیکدانان با استفاده از فوتون‌هایی واحد یعنی ذرات کوانتومی منفردی از نور و قابلیت منحصر به فردشان در انتشار همزمان در برهم‌نهی‌ای از دو یا چند مسیر بر این چالش غلبه کردند. در این آزمایش، فوتون‌های منفرد در امتداد موج‌برهای لیزری حک شده بر روی زیرلایه‌ای شیشه‌ای انتشار داده شدند و به موازات برهم‌نهی‌ای از چند مسیر هدایت شدند. یکی از این مسیرها برای سنجش‌گری شار فوتون‌های جریان یافته به درون ابزار مورد استفاده قرار گرفت و همین کمیت از طریق یک طرح بازخورد الکترونیکی ترکیبی به ماژوله‌سازی انتقال در خروجی دیگر، و نتیجتاً دستیابی به رفتار ممریستیوی مطلوب پرداخت. این پژوهشگران علاوه بر به نمایش گذاشتن رفتار ممریستور کوانتومی، شبیه‌سازی‌هایی را نیز ارائه کردند که نشانگر قابل استفاده بودن شبکه‌های اپتیکال دارای ممریستور کوانتومی برای یادگیری هر دو گونه‌ی کلاسیک و کوانتومی از کارکردها با اشارتی به این موضوع بودند که شاید همین ممریستورهای کوانتومی بتوانند حلقه‌ی مفقوده در میان هوش مصنوعی و رایانش کوانتومی باشند.
میشل اسپاگنولو یعنی نویسنده‌ی اصلی این مطلب در نشریه‌ی «فوتونیک طبیعت» می‌گوید که «گشایش توانایی‌های بالقوه‌ی منابع کوانتومی در عرصه‌ی هوش مصنوعی، یکی از عمده‌ترین چالش‌ها برای تحقیقات کنونی در زمینه‌ی فیزیک کوانتوم و علوم رایانه‌ای است». گروه تحت رهبری فیلیپ والتر در دانشگاه وین نیز اخیراً نشان داده است که ربات‌ها در صورت استفاده از منابع کوانتومی و وامگیری طرح‌ها از رایانش کوانتومی می‌توانند به یادگیری‌شان سرعت ببخشند. این دستاورد نوین بازتاب‌دهنده‌ی گامی دیگر رو به جلو به سوی آینده‌ای است که هوش مصنوعی کوانتومی در آن به واقعیت خواهد پیوست.
