0

0
0

文字

分享

0
0
0

2016 諾貝爾物理學獎:拓樸相變和拓樸物質的理論研究發現—《物理雙月刊》

物理雙月刊_96
・2017/03/07 ・2780字 ・閱讀時間約 5 分鐘 ・SR值 503 ・六年級

文/張明強副教授|國立中興大學物理系

2016 年 10 月 4 日,諾貝爾物理獎頒給美國華盛頓大學的 David J. Thouless , 布朗大學的 J. Michael Kosterlitz 和普林斯頓大學的 Duncan M. Haldane,三位得獎人均為英國出身。得獎的理由是「拓樸相變和拓樸物質的理論研究發現。(For theoretical discoveries of topological phase transitions and topological phases of matter)

拓樸性質起源於數學的研究,也就是在幾何學之外,研究物體被連續變化(比如說延展或彎曲),在不撕開或黏合或挖洞的狀況下,如何從一種幾何形狀變成另外一種幾何形狀的研究。

舉例來說一顆球和一個四方體拓樸性質一樣,可以想像球體不斷的變化之後,就可以變成四方體;而中間有一個洞的甜甜圈,拓樸性質和咖啡杯拓樸性質一樣,因為經過連續變化,甜甜圈可以變成有一個洞把手的咖啡杯。

208692428_8a433b5267_o
拓樸性質起源於數學的研究,也就是在幾何學之外,研究物體被連續變化,在不撕開或黏合或挖洞的狀況下,如何從一種幾何形狀變成另外一種幾何形狀的研究。如中間有一個洞的甜甜圈,拓樸性質和咖啡杯拓樸性質一樣。圖/By Salim Virji @ flickr, CC BY-SA 2.0

本來拓樸學和物理學關連並不大,直到 Thouless 和 Kosterlitz 開始研究二維古典系統的二階相變,事情才開始變化。在他們的研究之前,一般人對二階相變的了解,都是來自於金寺堡-藍道定理(Ginzburg-Laudau Theorem)。我們可以考慮一個磁性系統,鐵磁的產生是要有所有小磁鐵磁場指向同一個方向,而順磁性的相態來自於小磁鐵磁場的方向都不一樣,平均起來磁性就為零,我們稱這種小磁鐵磁場都指向同一方向為「對稱性破缺 (Symmetry breaking)」。金寺堡-藍道定理完全奠基於對稱性破缺。而二維古典系統,基本上在有溫度的情形下,因為熱漲落 (thermal fluctuation)非常強大,所以沒法形成對稱性破缺,因此大家的認定是不會有相變的存在。

-----廣告,請繼續往下閱讀-----

這樣的情形也可以由物理量的相關性(correlation)來理解。同樣考慮磁性系統,我們可以考慮相距離很遠的小磁鐵(也稱為自旋)彼此間的相關性,相關性可以理解為當我改變一個自旋,另一個(遠距離)自旋跟著改變的量。我們發現三維鐵磁性(也就是有對稱性破缺)的相態中,兩個距離相當遠的自旋量相關性是一個常數。但在二維磁性系統裡,遠距離自旋相關性會慢慢接近零。且慢,接近零有兩種接近的方式,一種是多項式的接近零,一種是指數的接近零,多項式的接近零(比如說 r-2) 比指數的接近零(比如說 e-r) 要來的慢許多,因此這裡面暗藏著玄機。

Kosterlitz 和 Thouless 發現,非常低溫的時候,是多項式的接近零。遠距離鐵磁的相關性是多項式的接近零。然後慢慢增高溫度,系統會產生渦漩,而且不是一個一個產生,每次產生都成對,而且方向相反。我們稱為正渦漩或反渦漩,見圖一。正反渦漩會成對出現成對,剛開始出現不會影響鐵磁的相關性,但溫度越高,渦漩越來越多,溫度高到一個程度,渦漩不再成對出現,而是單獨出現,且渦漩改變遠距離鐵磁的相關性,從多項式變成指數接近零。這樣的相變,並不會有對稱性破缺,而是相關性的改變,我們稱為「KT 相變」,圖 1 顯示的就是這樣的相變圖。

%e8%9e%a2%e5%b9%95%e5%bf%ab%e7%85%a7-2016-10-06-%e4%b8%8b%e5%8d%889_31_13
KT 相變。圖 1/@ nobelprize.org

渦漩其實就是一種拓樸態,就像颱風一樣,渦漩有一個很像颱風眼的構造,此種構造就是類似甜甜圈的洞,我們稱為奇點,見圖中放大區域。Thouless 和 Kosterlitz 是第一位利用拓樸性質來解釋相變。 後來發現不管在一為或二維系統,比如說超流體相變,KT 相變非常重要。也解釋很多低維度系統相變得產生,改變人們對相變的了解。

拓樸物質其實不容易發現,「量子整數霍爾效應」和「分數霍爾效應」在八零年代一一被發現,而且獲頒諾貝爾物理獎。Thouless 也持續對拓樸態有進一步的了解,尤其是量子霍爾效應的解釋。Thouless 藉由對於拓樸學的了解,將量子霍爾效應跟所謂的「陳省生數」(Chern Number)連結起來。陳省生數可以類比為幾何體有多少個洞,而電子的導電率正比於陳省生數,也就是洞的數目,見圖 2。由此增進對拓樸物理學的深層了解,因此他獲頒此次諾貝爾物理獎一半的獎金。

-----廣告,請繼續往下閱讀-----
%e8%9e%a2%e5%b9%95%e5%bf%ab%e7%85%a7-2016-10-06-%e4%b8%8b%e5%8d%889_33_04
陳省生數可以類比為幾何體有多少個洞,而電子的導電率正比於陳省生數,也就是洞的數目。圖 2/@ nobelprize.org

量子整數和分數霍爾效應這兩種物質都需要磁場形成藍道層。Ducan Haldane 在八零年代提出思考一個問題,就是能不能不用均勻磁場,保持移動對稱性來形成霍爾效應。他提出一個簡單的模型,就是在六角蜂巢模型中技巧加入次近鄰的作用力,如圖 3,破壞時間反轉對稱性 (time reversal symmetry) ,就可以不用加均勻磁場產生陳省生數等於一或負一的霍爾效應。

noble-3
在六角蜂巢模型中技巧加入次近鄰的作用力,破壞時間反轉對稱性,就可以不用加均勻磁場產生陳省生數等於一或負一的霍爾效應。圖 3/@ nobelprize.org

Haldane 另一個重要的貢獻,是發現一維系統的磁性拓樸系統。低維度系統,尤其是低維度的量子系統,量子效應要比三維系統來得大。Haldane 首先意識到,一維的磁性系統,由於量子漲落(quantum fluctuation)或是量子糾纏(quantum entanglement)非常大,因此產生奇特的現象。因此他開始提出自旋量為一的一維磁性系統,發現這個系統具有拓樸性質,稱為 Haldane 相態。這是第一個用理論提出的拓樸材質,而且馬上被實驗驗證。這種拓樸材質非常穩定,具有某些對稱性,也就是說一些雜訊只要不破壞這種對稱性,並不會改變拓樸性質,因此我們稱為這樣的相態是「對稱性保護的拓樸相態 (Symmetry protected topological phases) 」。

這就是拓樸相態的重要性。量子電腦需要用到量子訊息,可惜的是,量子訊息常常因為雜訊一下子就不見,因此我們如果要用到很多量子位元,保持量子訊息很重要。拓樸態,舉例來說,像是一個有洞的物質,而這些洞可以拿來作為量子位元。舉例來說,我們有一個麵團做的甜甜圈,我們的手可以去改變甜甜圈的形狀,但只要不把洞黏起來,或是打另一個洞,不管我們怎麼捏,一個洞還是保持在那。我們可以想像,雜訊就好像我們的手亂捏,會改變甜甜圈的樣子,但洞永遠在那,也就是拓樸性質永遠不變,這樣的拓樸材質非常適合來當做量子電腦的量子位元。

墊基於這三位物理學家的研究基礎,在最近的十多年,大量的拓樸物質在實驗上被製造與發現,比如說拓樸絕緣體(Topological Insulators),拓樸超導體(Topological superconductors), 和外爾半導體(Weyl Semimetal)。這些新的奇異拓樸物質的發現,大大延展人類可能的科技發展,增加量子電腦的可能性,因此獲頒諾貝爾物理學獎的殊榮。

-----廣告,請繼續往下閱讀-----

38%e5%8d%b7%e7%ac%ac6%e6%9c%9f001

 

本文摘自《物理雙月刊》38 卷 12 月號 ,更多文章請見物理雙月刊網站

-----廣告,請繼續往下閱讀-----
文章難易度
物理雙月刊_96
54 篇文章 ・ 15 位粉絲
《物理雙月刊》為中華民國物理學會旗下之免費物理科普電子雜誌。透過國內物理各領域專家、學者的筆,為我們的讀者帶來許多有趣、重要以及貼近生活的物理知識,並帶領讀者一探這些物理知識的來龍去脈。透過文字、圖片、影片的呈現帶領讀者走進物理的世界,探尋物理之美。《物理雙月刊》努力的首要目標為吸引台灣群眾的閱讀興趣,進而邁向國際化,成為華人世界中重要的物理科普雜誌。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
0

文字

分享

0
1
0
從 MiniLED 到 QLED:量子點技術如何改寫螢幕的未來?
PanSci_96
・2024/11/17 ・2235字 ・閱讀時間約 4 分鐘

量子點:從顯示技術到量子計算的革命

顯示面板的技術一直在進步,從最早的液晶顯示(LCD),到日益火熱的 MiniLED,再到正在被熱烈研發中的 MicroLED。隨著像素越來越小,螢幕畫質的進步讓人驚嘆不已。然而,現在有一項技術,它並非透過縮小像素來提升畫質,而是以更純淨的顏色帶來視覺上的革命—那就是「量子點技術」(Quantum Dot)。

量子點技術不僅為我們的螢幕帶來更好的顏色,甚至還有可能在量子電腦的未來發展中扮演重要角色。究竟這些小到幾奈米的半導體晶體是如何改變我們的世界?

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

什麼是量子點?

量子點是一種半導體奈米晶體,其直徑僅為幾奈米大小,也就是僅包含數百到數萬個原子。在這麼小的尺寸下,量子力學的奇妙特性開始影響顆粒的物理性質。這些量子點能夠吸收特定波長的光,並根據自身大小發射出頻寬極窄的單色光。這也意味著,透過控制量子點的大小,我們可以精確地調整它所發出的顏色。

這項技術在顯示領域中得到了應用,稱為量子點顯示技術(QLED)。QLED 螢幕通常使用藍光 LED 作為背光源,再經由塗有量子點的薄膜來產生鮮艷的紅光和綠光,以此混合出更飽和的色彩,並提供更廣的色域。此外,由於減少了傳統彩色濾光片的使用,QLED 螢幕也更為省電且光效更高。

-----廣告,請繼續往下閱讀-----

MiniLED 與 MicroLED 的比較

要了解量子點技術的優勢,我們首先需要認識當前的顯示技術:MiniLED 與 MicroLED。

MiniLED 雖然名字聽起來和 MicroLED 相似,但它們的工作原理和應用有所不同。MiniLED 屬於有背光結構的面板,主要用於電腦和電視螢幕市場。它的顯色能力優秀,且通過調整背光區域的亮度,可以產生高對比度的畫面,甚至能呈現比傳統 LCD 更黑的黑色。

相比之下,MicroLED 則是無背光的技術,利用紅、綠、藍三種顏色的小燈泡直接發光,這些燈泡小到可以嵌入每個像素中。因此,MicroLED 的螢幕結構更薄,並能減少顏色劣化問題。然而,由於技術難度高,MicroLED 目前仍處於開發階段。

量子點的顯色技術有多特別?

傳統的顯示技術中,無論是 LCD、MiniLED 還是 OLED,它們的色彩顯示都需要依賴彩色濾光片來混合光源。而量子點技術則不然。量子點可以根據顆粒的大小發射出精確且純淨的單色光,其顏色純度遠超傳統濾光片。

-----廣告,請繼續往下閱讀-----

量子點的神奇之處在於,同一種材料可以隨著顆粒尺寸的變化而發射出不同的顏色。這意味著我們只需要製造出不同大小的量子點,就可以得到紅、綠、藍三原色的高純度光源,進而混合出更加鮮豔的色彩。這種「大小決定顏色」的現象,正是量子力學中能階與顆粒大小之間微妙關係的體現。

量子點技術憑顆粒大小精準發光,色彩純度遠勝傳統濾光片。圖/envato

量子力學與量子點的關聯

量子點的顏色之所以能隨顆粒大小改變,是因為量子點內部的電子受到能階的限制。在半導體材料中,電子的能量可以分佈在幾個不同的能階上,當電子從高能階回到低能階時,會以光的形式釋放出多餘的能量。而量子點的尺寸越小,電子能佔據的能階也越少,因此當電子釋放能量時,會放出更高能量的光子,這也導致了更短波長的光,比如藍光。

諾貝爾化學獎與量子點的製備技術

早在幾千年前,工匠們就已經能透過加入不同的金屬粉末來製作出不同顏色的玻璃,但他們並不知道背後的原理。直到 1980 年代,科學家們才發現,這些顏色變化與量子效應有關。2023 年的諾貝爾化學獎,正是授予了對量子點研究做出重要貢獻的三位科學家(分別為巴汶帝 ( Moungi G. Bawendi )、布魯斯 ( Louis E. Brus ) 和艾吉莫夫 ( Alexei I. Ekimov )),他們開發的技術讓量子點的製造變得更加容易且精確。

其中,蒙吉·巴文迪(Moungi Bawendi)開發的製程可以在溶液中精確控制量子點的大小,這使得量子點的性質與應用變得更加穩定且可預測,從而加速了量子點在顯示技術和其他領域的商業化應用。

-----廣告,請繼續往下閱讀-----

量子點在量子電腦中的應用

量子點的應用並不僅限於顯示技術。由於它們能夠透過改變大小來調控各種物理特性,因此又被稱為「人工原子」。這使得量子點在量子電腦中也有巨大的潛力,特別是在儲存與處理量子位元資訊方面。

量子電腦與傳統電腦不同,其運算依賴量子位元,而量子位元可以同時處於多個狀態。要讓量子位元的狀態穩定且能長時間儲存,是量子電腦硬體設計的一大挑戰。量子點因其特殊的能階特性,有望成為量子電腦中儲存量子位元的理想材料。

量子點技術的未來

量子點技術的出現,不僅改變了我們對顯示面板的認知,也為量子計算領域帶來了新希望。隨著技術的進一步成熟,量子點在顯示技術之外,還有可能應用在更多的高科技領域,如光學感測、生物醫學標記等。

如果你對量子點的應用充滿好奇,不妨繼續關注相關的技術發展。也許有一天,這些微小的「人工原子」會成為推動科技變革的核心力量,為我們的生活帶來更多的驚喜和便利。

-----廣告,請繼續往下閱讀-----

歡迎訂閱 Pansci Youtube 頻道 鎖定每一個科學大事件!

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

0

2
1

文字

分享

0
2
1
AI 能像人類一樣思考?諾貝爾物理學獎研究助力人工智慧模擬人類大腦
PanSci_96
・2024/11/14 ・2117字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

即使再怎麼模仿,AI 終究無法以與生物相同的方式思考吧?畢竟電腦的電子元件和我們大腦中的神經細胞結構截然不同。再怎麼模仿,AI 終究無法以與生物相同的方式思考吧?

錯,可以。

2024 年諾貝爾物理學獎跌破所有專家的眼鏡,頒給了兩位研究機器學習的科學家——約翰·霍普菲爾德(John Hopfield)和傑佛瑞·辛頓(Geoffrey Hinton)。他們以「人工」的方法打造了類神經網路,最終模擬出生物的「智慧」,奠定了當代深度學習的基礎。

為什麼解決人工智慧發展瓶頸的,竟然會是物理學?物理要怎麼讓 AI 更像人類?

-----廣告,請繼續往下閱讀-----
歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

從巴甫洛夫的狗到赫布理論:理解學習的基礎

為了解答這個疑問,我們需要一些背景知識。

20 世紀初,俄羅斯心理學家巴甫洛夫發現,狗在食物還沒入口前,就會開始分泌唾液。他進行了一系列實驗,改變食物出現前的環境,比如讓狗習慣在聽到鈴聲後馬上得到食物。久而久之,狗只要聽到鈴聲,就會開始分泌唾液。

大約 50 年後,神經科學家赫布(Donald Hebb)提出了一個假說:大腦中相近的神經元,因為經常同時放電,會產生更強的連結。這種解釋稱為「赫布理論」,不僅奠定了神經心理學的發展,更成為現代深度學習的基礎。

然而,赫布理論雖然描述了鄰近神經元的關係,卻無法解釋大腦如何建構出如此複雜的聯想網路。

-----廣告,請繼續往下閱讀-----

霍普菲爾德網路:物理學家對神經網路的貢獻

然而,赫布理論雖能描述神經元之間的關係,卻缺乏數學模型。物理學家約翰·霍普菲爾德從數學家約翰·康威(John Conway)的「生命遊戲」(Game of Life)中獲得靈感,試圖建立一個可以在電腦上運行的記憶系統。

霍普菲爾德受「生命遊戲」啟發,嘗試建立電腦記憶系統。圖/envato

「生命遊戲」由數學家康威(John Conway)發明,玩家開始時有一個棋盤,每個格子代表一個細胞,細胞可以是「活」或「死」的狀態。根據特定規則,細胞會根據鄰居的狀態決定下一次的生存狀態。康威的目的是展示複雜的系統不一定需要複雜的規則。

霍普菲爾德發現,這個遊戲與赫布理論有強大的關聯性。大腦中的大量神經元,在出生時處於初始狀態,經過刺激後,神經元間的連結會產生或斷裂,形成強大的記憶系統。他希望利用這些理論,創造一個能在電腦上運行的記憶系統。

然而,他面臨一個難題:赫布理論沒有明確的數學模型來決定神經元連結的規則。而在電腦上運行,必須要有明確的數學規則。

-----廣告,請繼續往下閱讀-----

物理學的啟發:易辛模型

霍普菲爾德從物理學的研究中找到了類似的模型:易辛模型(Ising Model)。這個模型用於解釋鐵磁性物質的磁性特性。

在鐵磁性物質中,電子具有「自旋」,自旋產生磁矩。電子的自旋方向只有「向上」或「向下」,這就像生命遊戲中細胞的「生」或「死」。鄰近的電子會影響彼此的自旋方向,類似於細胞之間的互動。

易辛模型能用數學描述電子間的相互影響,並通過計算系統能量,得出自旋狀態的分佈。霍普菲爾德借用了這個概念,將神經元的互動視為電子自旋的互動。

他結合了康威生命遊戲的時間演化概念、易辛模型的能量計算,以及赫布理論的動態連結,創造了「霍普菲爾德網路」。這讓電腦能夠模擬生物大腦的學習過程。

-----廣告,請繼續往下閱讀-----

突破瓶頸:辛頓與波茲曼機

約翰·霍普菲爾德於1982年發明聯想神經網路,即「霍普菲爾網路」。圖/wikimedia

然而,霍普菲爾德網路並非完美。它容易陷入「局部最小值」的問題,無法找到系統的全局最優解。為了解決這個問題,加拿大計算機科學家傑佛瑞·辛頓(Geoffrey Hinton)提出了「波茲曼機」(Boltzmann Machine)。

辛頓將「模擬退火」的概念引入神經網路,允許系統以一定的機率跳出局部最小值,尋找全局最優解。他還引入了「隱藏層」的概念,將神經元分為「可見層」和「隱藏層」,提高了網路的學習能力。

受限波茲曼機(Restricted Boltzmann Machine)進一步簡化了模型,成為深度學習的基礎結構之一。這些創新使得 AI 能夠更有效地模擬人類的思維和學習過程。

AI 的未來:跨學科的融合

霍普菲爾德和辛頓的工作,將物理學的概念成功應用於人工智慧。他們的研究不僅解決了 AI 發展的瓶頸,還奠定了深度學習的基礎,對現代 AI 技術產生了深遠的影響。因此,2024 年諾貝爾物理學獎頒給他們,並非意外,而是對他們在跨學科領域的重大貢獻的肯定。

-----廣告,請繼續往下閱讀-----

AI 的發展,離不開物理學、生物學、數學等多學科的融合。霍普菲爾德和辛頓的工作,正是這種融合的典範。未來,隨著科學技術的進步,我們有理由相信,AI 將越來越接近人類的思維方式,甚至可能超越我們的想像。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。