忆阻器的研究发展论文

学家首次实现光学量子忆阻器杨二硬科普/ 隐身衣/ 光及电磁波/ 伪摇滚爱好者/来自专栏有意思的光图1 光学量子忆阻器的实现最近，维也纳大学的研究人员在nature photonics发文，他们实现了基于集成光子技术、作用于单光子态的光学量子忆阻器，并将其储备池神经网络相结合，能够在数字识别任务中减少训练资源并提高准确率。一、什么是忆阻器？我们首先要了解什么是忆阻器。简单来说，“忆”为记忆，“阻”为阻值，忆阻从字面意思可以理解为记忆阻值。在现实中忆阻器的阻值由通过的电荷量决定，关掉电源后，仍能“记忆”先前通过的电荷量。忆阻器的提出在1971年，蔡少棠根据物理量的关系，如图2所示，预测了电阻、电容、电感之外的第四种基本元件——忆阻器的存在。但这只是在理论上的推测，在一段时间内忆阻器并没有实际实现。在2008年，惠普公司利用两层二氧化钛薄膜实现了忆阻器，自此忆阻器的研究越来越多，并应用于信息存储、忆阻器阵列、人工神经网络的实现等多个领域。图2 蔡少华预测了忆阻器的存在二、光学量子忆阻器的设计光学量子忆阻器其实也是忆阻器的一种，只不过输入、输出的信号是量子态罢了，那么在进行设计时需要考虑的两点便是：符合忆阻特性、输入输出是量子态。首先考虑忆阻器的忆阻特性，输入y、输出u、状态变量s三者满足图3所示等式。以电路中的忆阻器为例，电流作为输入，电压作为输出，满足忆阻特性的等式时，输入输出的曲线为图4所示的经过圆点的“8”字形状。图3 忆阻器需满足的等式图4 电路忆阻器输入输出的关系>接着考虑量子态的输入输出，我们把输入设为量子态的叠加，并证明量子输入态可以连续地映射到输出态即可。那如何理解量子态的叠加呢？我们知道在经典比特中只有0和1，但是在量子比特中，可以处在0态或1态，也可以处于二者的线性叠加态中，系数α、β为复数。三、光学量子忆阻器的实现光学量子忆阻器的设计基础是类似于图5的分光器，在分光器中，输入信号从A进入，输出信号从C传出，D口的反馈信号可以调整反射率θ从而改变输出信号。图5 分光器ass="nolink">但是可不要忘记【量子】二字！！在分光器中我们是没有办法把之前设计的量子态叠加作为输入的，因为一般的分光器中是线性光学，而量子叠加态则是两个能级的叠加。ass="nolink">既然量子态叠加是两个能级的叠加，那便考虑作用于单光子态，并增加一条路径，把两条路径中传输的光子分别对应于两个能级，事实上这是一种路线编码，把1个量子比特通过存在于2种空间模式的单光子来表示。如图6所示，新增加一条路径，原来的路径仍然通过分光器，新的路径则直接通向输出，这时AB两条路径的信号叠加作为输入，输出也是对应两条路径信号的叠加。在利用硬件实现光学量子忆阻器时，则基于集成光子学技术，如图7所示，忆阻器前后的准备阶段(State preparation)、层析阶段(State tomography)用来对输入输出做一些处理。反馈信号对于反射率（状态变量）的控制由微控制器决定，论文作者将该控制器与逻辑单元相结合，如图8所示，通过逻辑单元分析反馈信号路径上的光子数量，并作为反馈的结果传给微控制器，微控制器改变反射率，最终能够改变另一条路径上的光子数量，从而实现了忆阻的四、光学量子忆阻器的应用与展望论文作者尝试把量子光学忆阻器与储备池计算相结合，训练该神经网络识别手写数字时，只需要训练读取网络，训练所需的数据和资源减少。利用储备池、三个量子忆阻器、读取网络，仅使用1000个训练图像，准确率就能达到95%，与不用量子光学忆阻器的架构相比，所需的训练数据更少，且准确率更高。光学量子忆阻器能够把神经网络和量子计算结合起来，所需资源减少且性能更好，有利于进一步扩大神经网络的应用范围，之后或许人工智能也能基于光学量子忆阻器，利用量子资源的潜力得到进一步发展。