Tejasri Gururaj tərəfindən , Phys.org

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Dörd fərqli çoxcisimli yaddaşın anlıq görüntüləri, hər birinin zamanla böyük bir “səhv” bölgəsini (qara) necə tədricən aşındırdığını göstərir, hətta səs-küy səhvə tərəf yönəldildikdə belə. Zaman soldan sağa doğru artır. Müəllif: E. Pajouheshgar və digərləri / PRL . DOI: 10.1103/2f97-49t1

Physical Review Letters jurnalında dərc olunmuş yeni bir araşdırmada , tədqiqatçılar maşın öyrənməsindən istifadə edərək, davamlı ətraf mühit səs-küyünə baxmayaraq məlumatı etibarlı şəkildə saxlaya bilən ikiölçülü yaddaş sistemlərinin çoxsaylı yeni siniflərini kəşf etdilər. Nəticələr göstərir ki, güclü məlumat saxlama əvvəllər düşünüləndən xeyli zəngindir.

Onilliklər boyu alimlər belə sistemlərdə güclü yaddaşa nail olmağın mahiyyət etibarilə bir yolu olduğuna inanırdılar – 1980-ci illərdə kəşf edilmiş Toom qaydası kimi tanınan bir mexanizm. Əvvəllər məlum olan bütün lokal nizam parametrlərinə malik ikiölçülü yaddaşlar bu vahid sxemin variasiyaları idi.

Çətinlik imkanların böyük miqyasındadır. Sadə ikiölçülü hüceyrə avtomatı üçün potensial lokal yeniləmə qaydalarının sayı astronomik olaraq çoxdur və müşahidə edilə bilən kainatdakı təxmin edilən atom sayından xeyli çoxdur. Buna görə də, hərtərəfli axtarış və ya əl ilə dizayn vasitəsilə ənənəvi kəşf üsulları bu miqyasda praktik deyil.

Tədqiqat qeyri-tarazlıq fizikası, mürəkkəb sistemlər, xətaya davamlı hesablama və bioloji informasiya emalı sahələrinin kəsişməsindəki fundamental bir problemi həll edir. Burada bir çox sadə, yerli qarşılıqlı təsir göstərən hissələrdən ibarət bir sistemin informasiyanı parçalanmadan necə kollektiv şəkildə qoruya biləcəyi soruşulur.

Phys.org, tədqiqatın həmmüəllifləri olan Kaliforniya Texnologiya İnstitutunun Kvant Məlumatı və Maddəsi İnstitutunun aspirantı Aditya Bhardwaj və Kaliforniya Universitetinin Berkli fizika üzrə aspirantı Nathaniel Selub ilə danışıb.

Bhardwaj izah etdi: “Bizim üçün böyük ilham mənbəyi təbii sistemlərin, hətta səs-küylü və ya dağıdıcı mühitlərdə belə, yalnız sadə yerli qarşılıqlı təsirlərdən istifadə edərək məlumatları necə etibarlı şəkildə saxlaması oldu”.

“Əvvəlcə oxşar mexanizmlərin kvant hesablamaları üçün faydalı ola biləcəyini soruşduq, burada əsas problem son dərəcə kövrək kvant məlumatlarını daimi səs-küy və səhvlərdən qorumaqdır.”

Bu yaddaşların necə işlədiyini anlamaq üçün əvvəlcə səs-küylü, yerli qarşılıqlı təsir göstərən sistemlərdə məlumatın saxlanmasını bu qədər çətinləşdirən səbəbləri anlamaq lazımdır.

Çox bədənli xatirələrin çətinliyi

Çox hissəcikli sistemin lokal qeyri-tarazlıq dinamikası, hətta səs-küy altında belə, ilkin vəziyyəti haqqında məlumatı çox uzun müddət saxladıqda çoxcisimli yaddaşlar yaranır. Burada həmin məlumat ümumi maqnitləşmədə saxlanılan tək bir bitdir. Tanış bir nümunə, bir bitin əksər mikroskopik spinlərin bir istiqamətdə və ya digər istiqamətdə düzülüb-düzmədiyinə görə kodlandığı bir maqnitdir.

Selub dedi: “Qeyri-tarazlıq şəraitində bunu bu qədər çətinləşdirən şey, ətraf mühitin sistemə daim səhvlər daxil etməsidir. Bundan əlavə, dinamika lokal olduğundan, “bütün vəziyyətə baxıb” onu düzəldə biləcək mərkəzi nəzarətçi yoxdur; düzəliş yalnız yaxınlıqdakı qarşılıqlı təsirlərdən yaranmalıdır.”

Bu tədqiqatda nəzərdən keçirilən modellərdə məlumat ikiölçülü spin qəfəsinin maqnitləşmə işarəsində saxlanılır. Hər bir sahə yalnız qonşuları ilə qarşılıqlı əlaqədə olur və sabit bir yerli qaydaya uyğun olaraq yenilənir, səs-küy isə fırlanmaları davamlı olaraq çevirir və bir istiqaməti digərindən üstün tuta bilər.

Sistem, pozuntular sırf təsadüfi deyil, qərəzli və ya strukturlaşdırılmış olduqda belə, lokal dinamikası vasitəsilə səhvləri müstəqil şəkildə aşkarlamalı və düzəltməlidir.

Toomun qaydasından kənarda

Toom qaydası, hər bir xananın üçbucaq şəklində düzülmüş müəyyən qonşuların səs çoxluğuna dəfələrlə yenilənməsi ilə işləyir. Kiçik səhv domenləri üstünlük verilən istiqamətə doğru itələnir və yox olana qədər tədricən aşındırılır.

İlk addım olaraq, tədqiqatçılar riyazi olaraq Toomun üçbucaqlı həndəsəsinin unikal olmadığını sübut etdilər. Onlar göstərdilər ki, hər bir hüceyrənin seçilmiş qeyri-simmetrik qonşu alt qrupu üzərində səs çoxluğu aldığı bir çox asimmetrik səs çoxluğu qaydası sinxron yeniləmələr zamanı da güclü yaddaş kimi fəaliyyət göstərir.

Səsvermə bölgəsinin formasının dəyişdirilməsi səhv domenlərinin necə aşındığını dəyişir. Müxtəlif asimmetrik düzülüşlər azlıq domenlərini müxtəlif istiqamətlər üzrə kəsir və bu da səhv düzəlişinin fərqli həndəsi nümunələrinə gətirib çıxarır.

Daha təəccüblü kəşflər maşın öyrənməsindən istifadə etməklə əldə edildi.

Gündəlik məlumat üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosdakı ən son yenilikləri kəşf edin . Pulsuz bülletenimizə abunə olun və vacib olan nailiyyətlər, innovasiyalar və tədqiqatlar haqqında gündəlik və ya həftəlik yeniliklərdən xəbərdar olun .

Neyron hüceyrə avtomatları gizli mexanizmləri aşkar edir

Bhardwaj izah etdi ki, “Hüceyrə avtomatlarını əl ilə dizayn etmək əvəzinə, neyron hüceyrə avtomatlarından lokal yeniləmə qaydalarının fərqləndirilə bilən, öyrədilə bilən bir təmsilçisi kimi istifadə etdik”.

“Biz hüceyrə avtomat qaydasını hüceyrənin qonşuluğunu giriş kimi qəbul edən və onun növbəti vəziyyətini çıxaran kiçik bir neyron şəbəkəsi kimi təmsil etdik. Bu, yaddaşı qoruyan qaydaların axtarışını kombinatorial problemdən daha çox maşın öyrənmə probleminə çevirir.”

Neyron şəbəkələri, səs-küy altında yaddaşın saxlanmasını birbaşa mükafatlandıran itki funksiyası ilə qradiyent enişi istifadə edilərək öyrədilib . Sistem, bir az kodlayan iki vəziyyətdən birində başlayır, öyrənilmiş qayda altında inkişaf edir və hansı vəziyyətdə başladığını unutduğu təqdirdə cəzalandırılır.

Müxtəlif təsadüfi başlanğıclarla aparılan 1000 təlim prosesində 37 hüceyrə avtomatı güclü yaddaşa çevrildi. Diqqətəlayiq haldır ki, heç biri səs çoxluğu tətbiq etmədi və ya simmetrik deyildi və hamısı səhvləri Toom qaydasından keyfiyyətcə fərqli mexanizmlər vasitəsilə düzəldirdi.

Selub dedi: “Bəziləri səsvermənin əksəriyyətinə heç etibar etmir, bəziləri Toom qaydasının asılı olduğu simmetriyalar olmadan işləyir, digərləri isə əslində səs-küy tərəfindən məhv edilmək əvəzinə, onunla sabitləşir.” “Maşın öyrənməsi ənənəvi analitik mühakimə yolu ilə tapa bilməyəcəyimiz yeni yaddaş mexanizmlərini ortaya qoydu.”

Bir xüsusiyyət olaraq dalğalanmalar

Bəlkə də ən ziddiyyətli tapıntı, düzgün işləməsi üçün səs-küy tələb edən bir sinif yaddaş idi. Bu hallarda, sıfır səs-küy dinamikası eksponensial olaraq bir çox uzunömürlü konfiqurasiyaya malikdir: sistem yeniləmə qaydasının etibarlı şəkildə aradan qaldıra bilmədiyi “dondurulmuş” yerli səhv nümunələrində tələyə düşə bilər.

Orta səs-küylə, təsadüfi çevrilmələr sistemi bu donmuş nümunələrdən çıxarır və yerli qaydanın onu nəzərdə tutulan iki yaddaş vəziyyətindən birinə qaytarmasına imkan verir.

Bhardwaj izah etdi: “Fiziki olaraq, ‘səs-küy tələb etmək’ sistemin səs-küyün azaldılmasının həmişə performansı artırdığı standart yaddaş kimi davranmadığı deməkdir. Bizim vəziyyətimizdə, sıfır səs-küy həddində dinamika bir çox uzunmüddətli, donmuş konfiqurasiyalarda – yeniləmə qaydasının etibarlı şəkildə aradan qaldıra bilmədiyi yerli səhv nümunələrində tələyə düşə bilər.”

Müəlliflər həmçinin aşkar ediblər ki, bütün sahələrin yalnız orta mühit gördüyünü fərz edərək dalğalanmaları nəzərə almayan standart orta sahə nəzəriyyəsi, öyrənilən qaydaların bir neçəsinin nizamlı fazalarını proqnozlaşdırmaqda tamamilə uğursuz olur. Orta sahə hesablamaları bu yaddaşların qeyri-sabit olmalı olduğunu göstərir; lakin, tam dinamika nizamlı olaraq qalır və məlumatı qoruyur.

Bu, səs-küy və yerli dalğalanmaların yaddaşın necə işlədiyinin sadəcə səhv mənbəyi deyil, vacib bir hissəsi olduğu ənənəvi “nizamsızlıqdan nizam”dan fərqli olaraq, dalğalanma ilə sabitləşdirilmiş yeni bir növ nizama işarə edir.

Nəticələr və gələcək istiqamətlər

Tapıntılar praktik kvant kompüterlərinin qurulması üçün vacib olan kvant səhvlərinin korreksiyası üçün birbaşa təsirə malikdir. Selub bildirib ki, “Toom qaydası artıq bəzi kvant səhvlərinin korreksiyası sxemlərində lokal altproqram kimi istifadə olunur və nəticələrimiz göstərir ki, oxşar və ya təkmilləşdirilmiş möhkəmliyə malik bir çox alternativ yaddaş mexanizmləri mövcuddur”.

Komanda hazırda maşın öyrənmə yanaşmasını kvant sistemlərinə də tətbiq edir. Davam edən işlərdə, onlar kövrək kvant məlumatlarını qoruyan lokal dinamika dizayn etmək üçün gücləndirilmiş öyrənmədən istifadə edərək klassik strategiyanı əlavə kvant məhdudiyyətləri olan şəraitə uyğunlaşdırırlar.

Kvant hesablamasından başqa, nəticələr lokal qarşılıqlı təsir göstərən sistemlərdə güclü və mürəkkəb davranışın necə yarana biləcəyinə dair daha geniş prinsiplərə işarə edir. Müəlliflər bu çoxcisimli yaddaşları sistemin saxlanılan məlumatları qorumaq üçün davamlı olaraq səs-küyə qarşı çıxdığı “homeostaz”ın sadə nümunələri kimi görürlər və belə güclü ortaya çıxan davranışın ilk dəfə nə vaxt ortaya çıxdığını müəyyən etməyin nəzəriyyə üçün açıq bir problem olaraq qaldığını irəli sürürlər.

Müəllifimiz Tejasri Gururaj tərəfindən sizin üçün yazılıb — bu məqalə diqqətli insan əməyinin nəticəsidir. Müstəqil elmi jurnalistikanı yaşatmaq üçün sizin kimi oxuculara güvənirik. Bu reportaj sizin üçün vacibdirsə, xahiş edirik ianə etməyi düşünün (xüsusilə aylıq). Təşəkkür olaraq reklamsız hesab əldə edəcəksiniz .

Nəşr detalları

Ehsan Pajouheshgar və digərləri, Neyron Hüceyrə Avtomatları ilə Tarazlıqsız Yaddaşların Mənzərəsini Araşdırmaq, Fiziki İcmal Məktubları (2026). DOI: 10.1103/2f97-49t1 . ArXiv -də : DOI: 10.48550/arxiv.2508.15726

Jurnal məlumatları: Fiziki İcmal Məktubları , arXiv  

Əsas anlayışlar

Neyrologiya, neyron hesablama və süni intellektStoxastik proseslərStatistik fizikada qəfəs modelləriMaqnit sistemləriSüni intellektKondensasiya olunmuş maddədə qəfəs modelləri

© 2026 Science X Network