Физики из университетов Констанца и Штутгарта собрали вычислительную систему из 400 микрочастиц в жидкости и научили ее предсказывать хаотические сигналы и искать скрытые аномалии. Но главный вывод для инженерной аудитории прозаичен: это интересная физическая платформа, которая пока заметно уступает мемристорным резервуарным системам по точности.
Работу опубликовали в журнале Communications AI & Computing, а краткий разбор вышел у Tom’s Hardware. Для русскоязычного рынка это не новость про «компьютер будущего», а скорее индикатор того, куда вообще движется поиск новых аппаратных платформ для ИИ на фоне дорогих GPU и растущего энергопотребления дата-центров.
Как устроен жидкий вычислитель
Исследователи использовали массив из 400 коллоидных осцилляторов в смеси воды и 2,6-лутидина при температуре 28 °C. Каждый осциллятор — это кремнеземная сфера радиусом 3 мкм с углеродным покрытием толщиной 80 нм с одной стороны.
Лазер с длиной волны 532 нм нагревает покрытую часть частицы и направляет ее к заданной точке. Из-за задержки между съемкой, отслеживанием и перенастройкой луча частица не приходит точно в цель, а начинает двигаться по устойчивой орбите. Вычисление возникает именно здесь: соседние орбиты связаны потоками жидкости, а входной сигнал подают через смещение целевых точек.
Если убрать эффектную оболочку, перед нами вариант резервуарных вычислений. Сложную динамику создает сама физическая среда, а итоговый ответ считает обычный компьютер. В этой работе для считывания использовали 1000 гауссовых ядер и ridge regression, так что речь идет не о замене классического железа, а о гибридной схеме.
Какие результаты показала система
На задаче одношагового прогноза хаотической последовательности Mackey-Glass система показала нормализованную среднеквадратичную ошибку около 0,1. На задаче поиска аномалий, которые не меняют среднее значение сигнала, его дисперсию и кратковременную автокорреляцию, массив достиг F1-меры 0,90.
Есть и хороший инженерный сигнал: установка оставалась работоспособной, даже когда вход подавали только на 20% осцилляторов. Авторы также пишут, что качество не разваливалось, если отдельные частицы временно хуже реагировали на лазер или слипались в небольшие кластеры.
Но реальная планка выше. По тому же типу бенчмарка мемристорные резервуарные системы уже выходят на ошибку 0,01 и ниже, то есть примерно на порядок лучше. Авторы это не скрывают и прямо называют свою работу proof of principle, а не готовую альтернативу зрелым аппаратным платформам.
Где у платформы узкие места
На качество сильно влияли параметры решетки и демпфирования. Расстояние между узлами определяло силу связи между осцилляторами, а порог демпфирования менял амплитуду колебаний. По данным статьи, ошибка прогноза в разных режимах могла различаться более чем втрое.
Еще один важный нюанс: авторы говорят об энергоэффективных вычислениях, но не приводят энергетических метрик. В статье нет ни оценки потребления лазера, ни сравнения по ваттам на операцию с мемристорами или другими физическими резервуарами. С учетом того, что установка требует лазера, акустооптического дефлектора, микроскопии в реальном времени, термостабилизации и внешнего компьютера, до практического модуля для периферийных устройств здесь пока далеко.
Почему это важно для рынка
Для разработчиков, стартапов и корпоративных команд это сигнал не про скорую замену серверов жидкими ячейками, а про расширение класса альтернативного ИИ-железа. Пока рынок упирается в цену ускорителей, дефицит мощностей и счета за электричество, академические группы проверяют, можно ли превратить сложную физику среды в полезную вычислительную функцию. У этой платформы пока слабая масштабируемость и неясная экономика, но сама логика гибридных вычислений никуда не денется.
Следующий разумный шаг для таких систем очевиден: упростить способ возбуждения частиц, показать внятные энергетические метрики и сравнить платформу с конкурентами не только по красоте эксперимента, но и по цене ошибки.
Оригиналы: и .