前沿进展 | 正在走向量子化的忆阻器

每个电气工程专业的本科生都会在课程中学习到电路的基本组成部分，即电感、电容和电阻。作为对以上三种器件的补充，1971年，华裔学者蔡少棠提出了忆阻器的概念。忆阻器作为表示磁通和电荷关系的器件，具有和电阻相同的量纲。但其阻值大小会根据流经的电流大小发生变化，实现了对电路变化信息的纪录。忆阻器在面世后便得到快速发展，并有望为物理神经网络和神经形态计算提出一种新的范式。

近期，研究人员为忆阻器提出了一个“量子版本”的设计理念，并成功研制出量子忆阻器实体。量子忆阻器是一种既具备量子的相干性，同时又具有类似于传统忆阻器记忆功能的新型器件。“量子忆阻器”这一概念由Pfeiffer等人提出，在提出概念的同时，他们还分析了利用量子技术手段（光量子与超导电路结合）对其进行实现的可行性，并以实验的方式记录了量子忆阻器的相干性和记忆行为，该成果以Memristors go quantum为题，发表于Nature Photonics。

引入量子忆阻器这一概念的主要原因，是为了探究人类是否可以同时利用量子计算的计算优势及忆阻器的记忆特性。量子计算的优势除了计算速率快，还包括量子特性（例如量子纠缠）的引入；而记忆特性则是一种使得神经计算超越单一的、线性幺正演化的非线性特质。Pfeiffer等人通过设计两能级量子系统、弱测量及反馈机制协同工作的方式，实现了量子计算优势与忆阻器记忆特性的有机结合。其中，两能级量子系统实现了量子特性的引入，而弱测量和反馈机制的存在使得非线性行为得以测量。具体地，两种特性分别以光量子及超导电路的形式实现。如图1所示，量子忆阻器基于一个可调谐的分束器，根据分束器输出端口D输出结果的反馈更新，分束器自身的反射率得以确定；同时，这种反馈机制提供了记忆及非线性特性，与光子所带来的量子相干性结合后，实现了预期功能。后续Spagnolo等人的研究工作，则实现了对此方案实现量子忆阻器的优化设计。

量子光学是一门理论实验基础深厚的学科，对研究人员来说，利用光子实现信息编码具有极大的意义，因为光子可以传输极远的距离，非常适用于通信网络之中。但目前光子计算仍然存在难以按需产生单光子、探测器可靠性不理想以及非线性特性难以实现等缺点，前两个缺点所对应的单光子产生技术及探测技术均在得到不断的改进（例如量子点单光子源及超导探测器），而非线性特性的激发则较为复杂，需要结合量子的相干特性及特殊的组织结构，最终以量子忆阻器的形式实现表达。Spagnolo等人所设计光量子忆阻器的演示实验，俨然成为了神经形态量子计算的重要基石，并有很大可能会发展成为一种新的量子计算范式。与传统机器学习理论相比，这一技术并未被大规模探索。而基于此技术的量子机器学习理论，也会随其一并发展。

图1 量子忆阻器 (a) 量子忆阻器的原理图：A为输入端，C为输出端，D端口由于进行实时监测以更新折射率。(b) 包含态制备、忆阻器、状态层析节等要素的光量子集成芯片

Spagnolo等人首先在原有工作基础上进行优化，使得量子忆阻器得以在集成光子芯片上实现。具体地，该实验装置由一个连接了单光子源和超导探测器的双轨编码及集成波导系统组成；该装置通过分束器引入的反馈机制，产生出可作为神经形态量子计算资源的非线性特性。按照集成光波导技术的设计理论，可调谐分束器是基于MZI干涉仪的结构所创建的：如图1(b)所示，该干涉仪的双臂在空间上十分接近，易于实现量子叠加。

此外，分束器的反射率由光子在不同模式间交叉传输的概率表示，模式的切换由一个热光相移器实现。如图1(b)所示，移相器通过光纤将其中一个输出连接到微控制器上进行外部控制，实现反馈闭环。同时，态制备及状态层析节也包含在芯片中，这一设计使得设备的具体性能相关信息得以被详细记录。另外，波导结构均由激光在硅片基底上进行加工，进一步提升量子传输效率及质量。

Spagnolo等人还推测了量子忆阻器对机器学习任务可能带来的性能提升。以图像分类问题为例，他们对一个使用经典计算资源的神经网络进行了数值模拟，并将其与一个使用了三个量子忆阻器的网络进行了比较。数值结果表明，仅仅使用3个量子忆阻器所构建出的网络，就能使得网络计算的性能得到显著增加。具体体现在使用量子忆阻器网络的训练集仅需要1000张图像，而传统神经网络则需要大约十倍数量的图像作为训练集才能实现特征学习。此外，基于量子忆阻器的网络对图像分类的准确率高达95%，远远超过传统神经网络71%的准确率，实验结论使人相信量子忆阻器在计算方面具有巨大的优势。最后，他们还利用数值模拟的方式，分析了量子忆阻器网络在纠缠检测等任务中的性能表现，仿真结果表明量子忆阻器的非线性特性，使得网络在无需人工干预的情况下，也能以一种高效的方式检测纠缠。

量子忆阻器的实现，为基于量子光学网络的神经形态量子计算开辟了一条实现途径。量子自身所具有的相干性与忆阻器结构提供的非线性特性实现了有机结合，使得其在机器学习计算及其他领域的大规模应用有了极大的可能。尽管难以严格地证明出基于量子忆阻器的网络会比传统神经网络具有更大的优势，但根据初步的测试结果，我们可以相信该领域存在着巨大的研究价值。而未来可能存在的挑战主要集中于理论和实验两方面，其中，理论方面主要需要通过复杂性证明，来确定神经形态量子计算范式在系统拓展时确实优于传统机器学习理论；实验方面则需要进一步提升单光子源及单光子探测器与芯片的耦合效率，为多光子光源与量子忆阻器结合的网络提供支持。如何有效地应对这些挑战，成为了提升网络计算能力与实现开放量子系统量子模拟技术的关键。

论文链接：

https://www.nature.com/articles/s41566-022-00975-3

编辑 | 金梦菲菲

END

由于微信公众号试行乱序推送，您可能没办法准时收到“爱光学”的文章。为了让您第一时间看到“爱光学”的新鲜推送， 请您：

1. 将“爱光学”点亮星标（具体操作见文末）
2. 多给我们点“在看”

欢迎爆料

新闻线索、各类投稿、观点探讨、故事趣事

留言/邮件，我来让你/事红

爆料请联系：[e-mail]

点在看联系更紧密