磁性、超導性共存的新材料開啟新的可能性

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

鐵電性（ferroelectricity）材料是製造次世代非揮發性（non-volatile）記憶體的基礎，而記憶體的密度極限取決於鐵電性究竟能在多小的尺度下存在。最近美國科學家研究了碲化鍺（GeTe）與鋇鈦氧化物（BaTiO3）內鐵電形變的分佈情形，證實低至數奈米的大小仍可見鐵電性存在。根據此結果，次世代非揮發性記憶體每平方英寸的儲存容量可望高達數兆位元。

鐵磁（ferromagnetic）材料具有永久磁偶極矩，可藉由外加磁場使其轉動。相對地，鐵電材料具有永久電偶極矩，可利用電場控制極矩方向，這個特性讓科學家得以將數位電訊號儲存在鐵電薄膜中，因此開拓了一個新的元件應用舞台。

這項由勞倫斯柏克萊國家實驗室與加州大學柏克萊分的Paul Alivisatos與Ramamoorthy Ramesh領導的團隊所完成的研究，目的是探討穩定鐵電排列的最小尺寸極限，以及在此極限下所呈現的形式。先前的研究認為隨著尺度變小，造成鐵電性的原子位移會完全消失或變亂，或者以渦流態排列的形變出現。此團隊的研究結果卻顯示在單一疇區，中局部原子位移大致仍保持線性排列，因此仍有淨電極化存在。換言之，有用的鐵電性質（包含極化開關與壓電特性）在只有幾奈米的尺度下依然維持存在。

該團隊分析了碲化鍺與鋇鈦氧化物奈米微晶內的鐵電有序。前者是鐵電半導體，後者則為典型的鐵電氧化物。他們先以電子顯微鏡直接觀察個別粒子中與鐵電性有關的結構形變，接著對整體粒子進行原子對函數分佈分析（atomic pair distribution function analysis）以求得這些形變間的關連性，然後再以電子全像術（electron holography）直接拍攝此鐵電極化，並測量了單一奈米微晶的壓電滯留曲線（piezoelectric hysterisis）。

研究結果顯示，由鐵電奈米微晶製作的非揮發記憶體的資料儲存密度將可能高達每英寸數兆位元。此外，此材料未來亦可應用於奈米機電系統（NEMS）中，作為壓電致動器及傳感器（transducer）等。該團隊目前想要探討理論預測的渦流極化態是否能穩定存在這些奈米微晶粒子中。詳見Nature Materials｜DOI:10.1038/nmat3371。

譯者:孫士傑（高雄大學應用物理系）
責任編輯:蔡雅芝

資料來源：Nanocrystals go ferroelectric. NanoTech [Aug 30, 2012]

轉載自 奈米科學網

今日某些物理學家正在研究將分子磁鐵（molecular magnets）當成未來量子電腦之資訊儲存單元使用的可能性。就分子結構來說，分子磁鐵是那些磁矩偏好朝特定軸向排列的分子。其所擁有的電子自旋結構可經由磁力調整出一種以上的狀態，且在低溫時，即使在缺乏磁場的情況下，依然可維持這種狀態，這可能使它們被用於資訊儲存上。

現在一個來自英國的研究團隊已證明，在不同的磁性狀態間，量子力學相位的疊加可持續超過 15 微秒，使其自旋態因解同調（decoherence，走調）而失去其資訊前，能反覆切換。在分子磁鐵作為 qubits（量子位元，量子電腦的元件）的實用性上，這項發現為其平添佐證。

來自牛津大學與曼徹斯特大學的研究者，C.J. Wedge 等人，已將他們「如何利用化學方法修改分子 qubits 以增加其相位記憶時間」的研究發表在最近一期的 Physical Review Letters 上。在這之前，研究者已達成 3.8 微秒的相位記憶時間（phase memory times），而其他分子磁鐵系統研究所產生的（記憶）時間都在 1 微秒的時間尺度上。

“相位記憶時間與同調時間是非常類似的概念，” 牛津大學的共同作者 Arzhang Ardavan 表示。”（長相位記憶時間）意味著，當量子資訊消失前，有可能操縱 qubit 許多次。那意義重大，但我們亦樂見能精確控制分子結構的可行性，以及能測定各種解同調機制，並盡我們所能來減少它們。”

在他們的研究中，研究者聚焦在 Cr7Ni 分子磁鐵上。他們之前證明這種分子所擁有的同調時間遠超過操縱單一 qubit 所需要的 10 奈秒。在此，他們採取下一步驟並研究分子磁鐵解同調（原子核自旋擴散 (nuclear spin diffusion) 與頻譜擴散 (spectral diffusion)）的特定來源，以及如何優化結構以便盡可能地延緩解同調。

為了辦到這件事，研究者改變二種關鍵要素（某些陽離子與配位基），藉此比較不同的 Cr7Ni 結構。他們特別研究，在低溫下不同的結構維持其自旋態的能力有多好，那以結構的相位–同調性鬆弛時間（phase-coherence relaxation time）來測定。研究者發現，優化修改過的 Cr7Ni 分子磁鐵能有超過 15 微秒的相位記憶時間，那比操縱單一 qubit 所需要的時間多了幾個數量級，而且明顯比先前的證明還要更長。

研究者預測，這些結果將導致在分子磁鐵簇內操控量子態的能力。他們計畫在未來更進一步研究操縱分子磁鐵的方法。

“我們將驗證各種可能性，” Ardavan 說。”我們研究這些分子之化學性質的同僚能夠合成合併數個耦合分子磁鐵的結構。我們將利用這類分子來研究簡單的多 qubit（multi-qubit）演算法。”

“最近，有人在理論上提出，電場能用來操縱分子磁鐵的磁性狀態，” 他補充道。”我們正透過實驗來驗證這些可能性。”

原始文獻:C. J. Wedge, G. A. Timco, E. T. Spielberg, R. E. George,
F. Tuna, S. Rigby, E. J. L. McInnes, R. E. P. Winpenny,
S. J. Blundell, and A. Ardavan.
Phys. Rev. Lett. 108, 107204 (2012) [5 pages]
doi: 10.1103/PhysRevLett.108.107204

資料來源:PHYSORG:Researchers engineer molecular magnets to act as long-lived qubits[March 21, 2012]

轉載自only-perception