رنين النفق: كيف تتعلم الثنائيات الرؤية ✛

الأصل: "Resonant-Tunnelling Diode Reservoir Computing System for Image Recognition"
arXiv:2507.15158 · 2025-07-20 · CC BY 4.0 · 2 دقيقة
اللاخطية الفيزيائية للثنائيات النفقية تحل محل المصفوفات العشوائية في الحوسبة الخزانية.

في عام 1974، وصف الفيزيائيون لأول مرة جهازًا تمر فيه الإلكترونات عبر حاجز طاقة بفضل النفق الكمومي. اليوم، هذا الجهاز، وهو الصمام الثنائي الرنان النفقي (resonant tunneling diode)، أصبح قلب بنية حوسبة غير تقليدية. فبدلًا من آلاف الأسطر من البرمجيات ومعالج قوي، نجد مصفوفة من 28 ثنائيًا تقرأ الصورة وتحولها إلى مجموعة من الميزات تكفي لتمييز الأرقام والفواكه.

الحوسبة الخزانية هي أسلوب في التعلم الآلي يعتمد على شبكة لاخطية ثابتة. المخطط التقليدي يستخدم مصفوفات عشوائية من الروابط، لكن الجيل الجديد يتخلى عن العشوائية لصالح تحويل لاخطي محدد. هنا، الصمام الثنائي الرنان النفقي يعمل كمترجم لا يكرر الإشارة فحسب، بل يضيف إليها نغمات توافقية جديدة. كل صف من البكسلات يُغذى إلى الثنائي على شكل نبضات جهد، والخاصية اللاخطية للجهد والتيار، أي العلاقة بين التيار والجهد، تولد توافقيات أعلى. هذه النغمات التوافقية هي التي تحمل معلومات عن شكل الرقم أو محيط التفاحة.

عند سعة جهد دخل تبلغ 0.5 فولت، يعمل النظام في الوضع الخطي وتنخفض الدقة إلى 80%. لكن بمجرد رفع الجهد إلى 4-5 فولت، تزدهر اللاخطية: تظهر في إشارة الخرج توافقيات حتى العاشرة، وتتجاوز الدقة 95%.

أظهرت المحاكاة العددية باستخدام بايثون أنه على مجموعة MNIST (الأرقام المكتوبة بخط اليد) بلغت الدقة 92.5%، وعلى Fruit-360 (الفواكه والخضروات) بلغت 99.1%. حدثت الأخطاء بشكل رئيسي بين الأرقام المتشابهة، مثل 4 و9. أما فئات "تفاحة" و"أفوكادو" و"فراولة" فقد تم تمييزها بشكل شبه خالٍ من الأخطاء. تشكل تيارات الخرج للثنائيات مصفوفة حالات الخزان، وتُحسب الأوزان الناتجة باستخدام انحدار التلال (ridge regression)، وهو انحدار خطي مع تنظيم. لا أقنعة عشوائية ولا خطوط تأخير ولا عقد افتراضية: فقط فيزياء النفق الكمومي.

يُدمج هذا العمل في سياق الجيل الجديد من الحوسبة الخزانية، حيث تُستبدل العشوائية بتحويل لاخطي محدد للإشارة الداخلة. في السابق، كان من غير الواضح ما إذا كان يمكن استخدام الثنائيات الرنانة النفقية كخزان فيزيائي لتمييز الصور دون مصفوفات عشوائية. الآن، تبيّن أن مصفوفة الثنائيات الرنانة النفقية ذات الخاصية اللاخطية المحددة تحقق دقة تصل إلى 99.1% على Fruit-360 و92.5% على MNIST. وقد تحقق ذلك بفضل نموذج عددي حيث تُحدد اللاخطية بواسطة خاصية الجهد والتيار للثنائيات، وليس بروابط عشوائية. يمكن استخدام هذا النهج لإنشاء مسرعات أجهزة موفرة للطاقة لتمييز الأنماط في الأجهزة المستقلة.

الخطوة التالية هي التنفيذ التجريبي لمصفوفة الثنائيات ودمجها مع الترميز الزمني. من الممكن أيضًا دمجها مع النفق الكمومي والخلايا العصبية النبضية (spiking neurons). التوافق التقني للثنائيات الرنانة النفقية مع الإلكترونيات السيليكونية يفتح الطريق لرقاقات هجينة حيث يعمل الخزان في الوضع التناظري والقراءة في الوضع الرقمي. طائرة بدون طيار تتعرف على العوائق دون حوسبة سحابية، أو جهاز يمكن ارتداؤه يميز الإيماءات، لم يعد خيالًا علميًا بل مهمة هندسية للعقد القادم.

تم وصف ثنائي النفق الرنيني لأول مرة في عام 1974، لكن تطبيقه في الحوسبة العصبية الشكلية بدأ مؤخرًا فقط.

I(V) = a \ln\left(\frac{1+e^{\alpha+\eta V}}{1+e^{\alpha-\eta V}}\right) \left(\frac{\pi}{2} + \tan^{-1}\left(\frac{c-n_1 V}{d}\right)\right) + h(e^{\gamma V}-1)
التيار عبر الثنائي كدالة للجهد؛ تحدد المعاملات شكل اللاخطية.
العلماء
George GamowLeo Esaki
المفاهيم
حوسبة الخزان الشبكات العصبية المتكررة (Recurrent Neural Networks, RNN) بنية ذاكرة الشبكة العصبية تمييز الأنماط إعادة بناء الصورة إعادة بناء ثلاثية الأبعاد التصوير المقطعي المحوسب ذكاء اصطناعي للتصوير الطبي شبكة عشوائية جهاز الرنين المغناطيسي مولد الأرقام العشوائية رنان فائق التوصيل تقليل الأبعاد ديناميكا الموائع الحسابية (CFD) التعلم العميق في التصوير الطبي آلة تورينج معالجة الصور الرقمية (Digital Image Processing, DIP)