Abstrakte Darstellung eines neuronalen Netzes, das aus Photonen besteht und eine Speicherfähigkeit besitzt, die möglicherweise mit künstlicher Intelligenz zusammenhängt
Equinox Graphics, Universität Wien
Equinox Graphics, Universität Wien
Physik

Erster „Quanten-Memristor“ vorgestellt

„Memristoren“ könnten das Design von Computern revolutionieren. Anders als Transistoren merken sie sich, wie viel Strom durch sie geflossen ist, und reagieren darauf. Wiener Physiker haben nun den ersten „Quanten-Memristor“ vorgestellt – er könnte die Welt von Künstlicher Intelligenz (KI) und Quantenphysik verbinden.

Anfang der 1970er-Jahre theoretisch beschrieben versuchen Fachleute Memristoren auf verschiedene Art und Weise zu realisieren. Der Name ist ein Kunstwort aus den Begriffen „Memory“ (Gedächtnis/Speicher) und „Resistor“ (Widerstand). Der elektrische Widerstand eines solchen Bauelements zu einem bestimmten Zeitpunkt hängt davon ab, welche Spannung bis dahin an ihn angelegt wurde. Diese Eigenschaft ähnelt menschlichen Nervenzellen, deren Synapsen umso schneller reagieren, je häufiger sie aktiviert werden.

Entsprechend vielseitig und vielversprechend werden die Einsatzmöglichkeiten für Memristoren gesehen, etwa für neuartige Datenspeicher oder neuromorphe, also gehirnähnliche Computerarchitekturen. Speziell letztere sind für den Bereich Künstliche Intelligenz interessant. Dort wird bereits mit mathematischen Modellen gearbeitet, die von der biologischen Struktur des Gehirns inspiriert sind – den neuronalen Netzen.

Steuert Durchfluss von Licht

Eine Forschergruppe um Philip Walther vom Vienna Center for Quantum Science and Technology (VCQ) an der Universität Wien hat nun gemeinsam mit italienischen Kollegen den ersten Quanten-Memristor realisiert. „Wir haben gezeigt, dass dieses Bauteil alle Eigenschaften erfüllt, die so ein Memristor beherrschen muss“, sagte Walther im Gespräch mit der APA. Während der klassische Memristor mit Strom und Widerstand arbeitet, steuert der Quanten-Memristor den Lichtdurchfluss abhängig davon, wie viel Licht bis dahin durch das Bauteil gegangen ist.

Eigentlich widerspricht die grundlegende Dynamik eines Memristors dem typischen Verhalten von Quantensystemen: „Die möchten ja nie gestört werden“, so Walther. Doch für einen Memristor braucht man einen Feedback-Loop, weil ja etwas verändert wird, abhängig davon was zuvor passiert ist – und dieses Geschehen zuvor muss also irgendwie gemessen werden.

ünstlerische Darstellung eines neuronalen Netzes, das optisch miteinander verbundene Mach-Zehnder-Interferometer beinhaltet. Das Interferometer ist die Hauptkomponente des neuartigen Quanten-Memristors.
Equinox Graphics, Universität Wien

Bindeglied zwischen KI und Quantencomputern

„Deshalb haben wir eine clevere Messung entwickelt, die zwar den Quantenzustand des Systems ein wenig beeinflusst, aber nicht so stark, dass er zerstört wird, und damit diesen Memoryeffekt in dem Schaltkreis erlaubt“, betonte der Physiker. Realisiert wurde das mit einer Glasplatte, in die mittels Laser Wellenleiter eingeschrieben werden und Photonen in einem Überlagerungszustand die Möglichkeit haben, zwei Wege zu benutzen. Vorgestellt haben die Forscher den Quanten-Memristor im Fachjournal "Nature Photonics“.

Zusätzlich zur experimentellen Realisierung eines solchen Quanten-Memristors zeigten die Wissenschaftler in Simulationen, dass optische Netzwerke mit solchen Bauteilen zum Lernen sowohl bei klassischen als auch bei Quantenaufgaben verwendet werden können. Für sie deutet das darauf hin, „dass der Quanten-Memristor das fehlende Bindeglied zwischen Künstlicher Intelligenz und Quantencomputern sein könnte“.

Frage der Größe

Für die weitere Arbeit stelle sich nun die Frage, wie groß man ein Quanten-Memristor-Netzwerk bauen kann, bevor die Quanteneffekte komplett verloren gehen, so Walther. „Wir sind schon dabei, mit einer Handvoll Memristoren ein solches Netzwerk aufzubauen, wo wir einen kleinen neuromorphischen Prozess implementieren wollen“, sagte der Physiker. Die Forscher hoffen damit zu zeigen, dass der in der Tat einen Quantenvorteil gibt und manche Aufgaben wie beispielsweise Muster- bzw. Bilderkennung besser gelöst werden können als mit herkömmlichen Algorithmen.