Máy tính hiện nay phải tiêu tốn rất nhiều năng lượng để chống lại những dao động nhiệt ngẫu nhiên. Một hướng nghiên cứu mới lại muốn làm điều ngược lại: tận dụng chính những dao động ấy để thực hiện phép tính.
Nguồn bài: Quanta Magazine. Biên tập và giới thiệu bởi An’s Lesson – Thư viện Slide bài giảng trực tuyến.
Khi “nhiễu” là kẻ thù của máy tính
Để máy tính hoạt động chính xác và đáng tin cậy, các kỹ sư luôn phải tìm cách chống lại nhiễu.
Ở cấp độ vi mô, các nguyên tử trong mọi vật chất luôn dao động do nhiệt. Những chuyển động ngẫu nhiên này có thể làm xáo trộn các tín hiệu điện tử vốn cần độ chính xác rất cao.
Điều này đúng với cả máy tính cổ điển như laptop và siêu máy tính hiện nay, lẫn những thiết bị lượng tử được kỳ vọng sẽ thực hiện một số phép tính nhanh hơn trong tương lai.
Trong máy tính kỹ thuật số, thông tin thường được lưu dưới dạng các bit có giá trị 0 hoặc 1. Nếu một dao động năng lượng ngẫu nhiên vô tình làm một bit chuyển từ 1 thành 0, toàn bộ phép tính có thể đi sai hướng.
Vì thế, máy tính thường được thiết kế sao cho năng lượng dùng để chuyển đổi trạng thái của các bit lớn hơn nhiều so với những dao động nhiệt đến từ môi trường. Nói cách khác, các kỹ sư phải tạo ra những tín hiệu đủ mạnh để “lấn át” nhiễu.
Cách làm này giúp máy tính hoạt động ổn định, nhưng cũng khiến chúng tiêu thụ nhiều điện và tỏa ra nhiều nhiệt.
Một câu hỏi mới đang được đặt ra:
Thay vì chống lại nhiễu nhiệt, liệu chúng ta có thể dùng chính nhiễu ấy để tính toán hay không?
Đó là mục tiêu của một lĩnh vực còn rất mới mang tên điện toán nhiệt động lực học, hay thermodynamic computing.
Biến nhiệt động lực học thành tài nguyên tính toán
Kể từ khi Computing Community Consortium tổ chức hội nghị đầu tiên về điện toán nhiệt động lực học vào năm 2019, một nhóm nhỏ các nhà nghiên cứu đã cố gắng biến ý tưởng này thành công nghệ thực tế.
Trong những năm gần đây, một số nhóm đã mô phỏng quá trình tính toán nhiệt động lực học bằng các mạch logic silicon thông thường. Kết quả ban đầu cho thấy những nguyên lý cơ bản có thể hoạt động, ít nhất là về mặt lý thuyết.
Nếu phát triển thành công, phương pháp này có thể tạo ra những máy tính:
- Tiêu thụ ít điện hơn.
- Tỏa ra ít nhiệt hơn.
- Có khả năng xử lý các bài toán xác suất và trí tuệ nhân tạo hiệu quả hơn.
- Không cần chống lại mọi dao động nhiệt trong môi trường.
Đây là một lợi thế rất đáng chú ý trong bối cảnh các hệ thống máy tính hiện đại ngày càng tiêu tốn nhiều năng lượng.
Các linh kiện cũng được thu nhỏ và đặt sát nhau hơn. Khi mật độ mạch điện tăng lên, việc tản nhiệt trở thành một thách thức lớn. Nếu không kiểm soát tốt, các vi mạch có thể quá nóng, giảm hiệu suất hoặc bị hư hỏng.
Theo nhà vật lý Patrick Coles, giám đốc khoa học của công ty khởi nghiệp Normal Computing tại New York, lĩnh vực này tập trung vào việc thiết kế những máy tính có thể sử dụng các quá trình nhiệt động lực học như một nguồn lực tính toán.
Nếu thành công, điện toán nhiệt động lực học không chỉ thay đổi ngành công nghiệp máy tính. Nó còn có thể thay đổi cách chúng ta hiểu về bản chất của việc tính toán.
Hành trình qua “cảnh quan năng lượng”
Định luật thứ hai của nhiệt động lực học cho biết entropy của một hệ kín có xu hướng tăng theo thời gian.
Nói đơn giản, các hệ vật lý thường chuyển từ trạng thái có tổ chức sang trạng thái hỗn loạn hơn. Năng lượng có ích dần bị phân tán thành những dao động nhiệt ngẫu nhiên.
Thông thường, phần năng lượng bị phân tán này không còn được tận dụng.
Tuy nhiên, một số quá trình trong tự nhiên lại có thể dùng chính những dao động ngẫu nhiên đó để tìm đến một trạng thái ổn định và có tổ chức hơn.
Nhà vật lý thống kê David Sivak tại Đại học Simon Fraser cho rằng ý tưởng về điện toán nhiệt động lực học xuất phát từ việc nhận ra rằng thế giới tự nhiên có thể đã thực hiện nhiều quá trình tương tự tính toán, dù chúng ta không gọi chúng là máy tính.
Để hiểu điều này, có thể hình dung sự thay đổi của một hệ vật lý như hành trình đi qua một cảnh quan năng lượng.
Cảnh quan này giống như một bản đồ địa hình:
- Những đỉnh núi đại diện cho các trạng thái có năng lượng cao và kém ổn định.
- Những thung lũng đại diện cho các trạng thái có năng lượng thấp và ổn định hơn.
- Hệ vật lý có xu hướng di chuyển xuống các vùng thấp hơn.
- Khi rơi vào thung lũng sâu nhất, hệ đạt trạng thái cân bằng.
Quá trình tìm đường đến trạng thái năng lượng thấp nhất có thể được xem như một cách giải bài toán.
Protein trong cơ thể cũng “tính toán”
Một ví dụ gần gũi là quá trình tiêu hóa sữa.
Nhiều người có thể tiêu hóa các sản phẩm từ sữa nhờ một loại enzyme có tên lactase, được sản xuất trong ruột non.
Lactase có cấu trúc dạng chuỗi và mang một hình dạng ba chiều đặc biệt. Hình dạng này phù hợp với lactose, loại đường phức tạp có trong sữa, giống như hai mảnh ghép vừa khít với nhau.
Nhờ sự tương thích về cấu trúc, lactase có thể phân tách lactose thành những loại đường đơn giản hơn để hệ tiêu hóa dễ xử lý.
Nhưng lactase đạt được hình dạng phù hợp đó bằng cách nào?
Enzyme này được cấu tạo từ một chuỗi các axit amin. Trình tự axit amin được quy định bởi thông tin di truyền.
Khi chuỗi được tổng hợp trong tế bào, nó chưa có ngay hình dạng hoàn chỉnh. Những dao động nhiệt trong môi trường tế bào khiến chuỗi axit amin liên tục uốn cong, xoắn lại và thử nhiều cấu trúc khác nhau.
Có thể hình dung chuỗi protein đang khám phá cảnh quan năng lượng của chính nó.
Cuối cùng, chuỗi thường ổn định ở cấu trúc có năng lượng thấp nhất. Đây cũng chính là hình dạng chức năng của enzyme.
Quá trình này có thể được xem như một dạng tính toán nhiệt động lực học. Hệ thống đã “giải” bài toán tìm hình dạng phù hợp bằng cách sử dụng năng lượng nhiệt có sẵn trong môi trường tế bào.
Sau khi protein gấp cuộn đúng cách, những dao động nhiệt vẫn tiếp tục làm nó rung nhẹ. Tuy nhiên, vì cấu trúc đã nằm trong một “thung lũng năng lượng” đủ sâu, protein không dễ dàng mất đi hình dạng.
Đây là một ví dụ cho thấy hệ sinh học có thể hoạt động giữa vô số nhiễu nhiệt nhưng vẫn đạt độ chính xác cao và tiêu tốn rất ít năng lượng.
Hai kiểu máy tính nhiệt động lực học
Các nhà nghiên cứu hiện xem xét hai hướng chính:
- Điện toán nhiệt động lực học ở trạng thái cân bằng.
- Điện toán nhiệt động lực học ngoài trạng thái cân bằng.
Máy tính ở trạng thái cân bằng
Máy tính nhiệt động lực học cân bằng sẽ hoạt động tương tự quá trình protein tự gấp cuộn.
Trước hết, người ta mã hóa bài toán vào cấu trúc vật lý của một hệ thống. Sau đó, hệ được để tự phát triển dưới tác động của nhiệt động lực học.
Hệ sẽ di chuyển qua cảnh quan năng lượng và dần tiến về trạng thái năng lượng thấp nhất.
Nếu thiết kế đúng, trạng thái năng lượng thấp nhất ấy sẽ tương ứng với lời giải tối ưu của bài toán.
Nhà vật lý thống kê Stephen Whitelam tại Phòng thí nghiệm Quốc gia Lawrence Berkeley giải thích rằng người ta có thể tạo ra một mạch điện nhỏ, để nó tự thay đổi dưới ảnh hưởng của nhiệt, rồi đo các đặc tính của nó sau khi mạch đạt trạng thái cân bằng.
Thay vì yêu cầu bộ xử lý thực hiện từng bước theo một thuật toán số, hệ vật lý tự tìm đến đáp án thông qua diễn biến tự nhiên của năng lượng.
Máy tính ngoài trạng thái cân bằng
Hướng thứ hai sử dụng những hệ thống không bao giờ được phép ổn định hoàn toàn.
Một ví dụ tự nhiên là bầu khí quyển Trái Đất.
Năng lượng từ Mặt Trời liên tục làm nóng khí quyển, tạo ra gió, dòng đối lưu và nhiều chuyển động phức tạp khác. Do luôn nhận thêm năng lượng, khí quyển không thể dừng lại ở một trạng thái cố định.
Tương tự, trong máy tính nhiệt động lực học ngoài cân bằng, hệ thống liên tục được cung cấp năng lượng và luôn chuyển động trong cảnh quan năng lượng.
Ở đây, lời giải không nhất thiết nằm ở trạng thái cuối cùng. Chính đường đi và sự thay đổi theo thời gian của hệ có thể mã hóa phép tính.
Những quá trình ngoài cân bằng rất phổ biến trong tự nhiên.
Sự sống cũng là một hệ thống ngoài cân bằng. Một sinh vật chỉ có thể tồn tại khi liên tục nhận năng lượng và vật chất từ môi trường, đồng thời thải nhiệt và chất thải ra ngoài.
Động lực học Langevin
Chuyển động của các hệ ngoài cân bằng thường có thể được mô tả bằng một mô hình mang tên động lực học Langevin, đặt theo tên nhà vật lý người Pháp Paul Langevin.
Trong động lực học Langevin, hệ thống luôn có xu hướng giảm năng lượng và thư giãn về trạng thái ổn định hơn.
Tuy nhiên, nó không bao giờ hoàn toàn dừng lại vì luôn có những lực ngẫu nhiên, chẳng hạn dao động nhiệt, liên tục đẩy hệ sang những hướng mới.
Có thể hình dung một viên bi lăn xuống thung lũng nhưng liên tục bị những cú va chạm nhỏ đẩy sang trái hoặc sang phải.
Stephen Whitelam cho rằng động lực học Langevin có thể được tạo ra trong một mạch điện nếu mạch hoạt động ở mức năng lượng đủ thấp để các dao động nhiệt tự nhiên ảnh hưởng đáng kể đến nó.
Nếu dòng năng lượng và những biến động trong mạch được thiết kế sao cho tương ứng với lời giải của một phép tính, mạch đó có thể trở thành máy tính nhiệt động lực học.
Cả máy tính cân bằng lẫn máy tính ngoài cân bằng đều nhận những tác động năng lượng liên tục từ dao động nhiệt.
Tuy nhiên, máy tính cân bằng phải chờ hệ thống đạt trạng thái cân bằng mới hoàn tất phép tính.
Ngược lại, máy tính ngoài cân bằng có thể được thiết kế để đưa ra kết quả trong một khoảng thời gian xác định.
Vì vậy, nhiều nhà nghiên cứu quan tâm hơn đến phương pháp ngoài cân bằng. Nó có thể hoạt động nhanh hơn vì không cần chờ hệ thống tự ổn định hoàn toàn.
Tạo ra trật tự từ nhiễu
Phần lớn các thử nghiệm điện toán nhiệt động lực học hiện nay sử dụng mạch silicon để mô phỏng những quá trình này.
Năm 2025, Patrick Coles và các đồng nghiệp tại Normal Computing đã chứng minh rằng một mạch điện có thể thực hiện nhiều loại phép tính, trong đó có đảo ngược ma trận.
Đảo ngược ma trận là một bài toán toán học quan trọng, được sử dụng trong nhiều lĩnh vực như:
- Học máy.
- Đồ họa máy tính.
- Kỹ thuật.
- Tài chính.
- Mô phỏng khoa học.
- Tối ưu hóa.
Normal Computing được thành lập năm 2022 bởi Faris Sbahi, Antonio Martinez và Matthias Tan, những người từng làm việc tại Google X và Google Brain.
Nguyên mẫu máy tính nhiệt động lực học của công ty là một bảng mạch in được thiết kế riêng. Nó chứa tám cụm linh kiện, trong đó mỗi cụm được kết nối với tất cả các cụm còn lại để tạo thành một mạng lưới.
Mỗi cụm chứa một bộ cộng hưởng RLC đơn giản, gồm:
- Một điện trở.
- Một tụ điện.
- Một cuộn cảm.
Khi kết hợp, ba linh kiện này tạo ra một tín hiệu điện dao động ở một tần số nhất định.
Mạch được cung cấp một tín hiệu điện ngẫu nhiên. Nói cách khác, nó được kích thích bằng nhiễu.
Một mạng lưới giống như các lò xo liên kết
Mức độ kết nối giữa mỗi cặp bộ cộng hưởng RLC có thể được điều chỉnh.
Tất cả những liên kết đó có thể được biểu diễn bằng một ma trận toán học.
Về mặt trực quan, hệ thống giống như một tập hợp các lò xo nối với nhau. Mỗi lò xo có độ cứng khác nhau và ảnh hưởng đến chuyển động của những lò xo còn lại.
Câu hỏi đặt ra là:
Nếu chúng ta làm rung cả mạng lưới, hệ thống sẽ chuyển động như thế nào?
Các nhà nghiên cứu phát hiện rằng nếu mạng lưới được kích thích bởi một lượng nhiễu có mức năng lượng tương đương với năng lượng của các liên kết, những dao động cân bằng của hệ sẽ tương ứng với ma trận nghịch đảo của ma trận liên kết.
Điều này có nghĩa là sau khi tạo thiết bị và để nó dao động trong một khoảng thời gian, người ta chỉ cần đo các biến động của nó để thu được kết quả của phép đảo ngược ma trận.
Thay vì dùng hàng loạt phép nhân và phép cộng kỹ thuật số, tính chất vật lý của mạch đã trực tiếp tạo ra lời giải.
Nhiễu vẫn phải được tạo ra nhân tạo
Tuy nhiên, nguyên mẫu của Normal Computing chưa thực sự hoạt động bằng nhiễu nhiệt tự nhiên trong môi trường.
Mức nhiễu xung quanh quá thấp để ảnh hưởng rõ rệt đến chuyển động của mạch. Vì vậy, nhóm nghiên cứu phải bổ sung nhiễu bằng một bộ tạo số ngẫu nhiên.
Việc tạo nhiễu nhân tạo vẫn tiêu tốn năng lượng.
Do đó, nguyên mẫu này chưa chứng minh trực tiếp rằng điện toán nhiệt động lực học chắc chắn sẽ tiết kiệm năng lượng hơn máy tính thông thường.
Dù vậy, Coles cho rằng lợi ích cốt lõi nằm ở chỗ một khi hệ thống đã được nhiễu kích thích, quá trình tính toán diễn ra gần như “miễn phí”. Các động lực vật lý tự nhiên trong mạch đảm nhận phần lớn công việc.
Nhóm Normal Computing đã mô phỏng việc mở rộng hệ thống bằng cách thêm nhiều nút vào mạng lưới.
Theo kết quả của họ, khi đạt đến quy mô đủ lớn, một đơn vị xử lý nhiệt động lực học có thể giải một số bài toán nhanh hơn mạng nơ-ron kỹ thuật số thông thường, đồng thời sử dụng ít năng lượng và tỏa ít nhiệt hơn đáng kể.
Tuy nhiên, những dự đoán này vẫn cần được kiểm chứng bằng các thiết bị thực tế ở quy mô lớn hơn.
Máy tính CN101
Sau nguyên mẫu mạch tương tự ban đầu, Normal Computing công bố một thiết bị mới có tên CN101.
CN101 sử dụng xử lý kỹ thuật số trên chip silicon thay vì chỉ dựa vào một bảng mạch tương tự.
Theo nhóm phát triển, công nghệ silicon kỹ thuật số dễ mở rộng quy mô hơn nguyên mẫu trước đó.
Công ty cho biết thiết bị có thể thực hiện nhiều dạng tính toán khác nhau, bao gồm:
- Tạo hình ảnh.
- Mô phỏng phân tử.
- Xử lý thuật toán xác suất.
- Hỗ trợ các mô hình trí tuệ nhân tạo tạo sinh.
Tuy nhiên, thiết bị này vẫn chưa được giới chuyên môn độc lập đánh giá đầy đủ. Vì vậy, những tuyên bố về hiệu suất và khả năng tiết kiệm năng lượng vẫn cần thêm bằng chứng.
Dùng nhiễu để khôi phục hình ảnh
Nguyên mẫu của Normal Computing đã truyền cảm hứng cho Stephen Whitelam phát triển một mô phỏng khác về máy tính nhiệt động lực học ngoài cân bằng.
Whitelam nghiên cứu một bài toán khử nhiễu hình ảnh trên máy tính cổ điển.
Ông sử dụng một đoạn video có khuôn mặt của nhà vật lý Paul Langevin. Theo thời gian, hình ảnh này dần bị nhiễu làm biến dạng cho đến khi gần như chỉ còn những điểm ảnh ngẫu nhiên.
Sau đó, ông huấn luyện một thuật toán để bắt đầu từ lớp nhiễu ấy và tái tạo lại khuôn mặt ban đầu.
Nhiễu trong mô phỏng vẫn được tạo ra nhân tạo bằng bộ tạo số ngẫu nhiên, tương tự thí nghiệm của Normal Computing.
Máy tính nhiệt động lực học trong mô hình của Whitelam là một mạng lưới gồm nhiều nút liên kết với nhau.
Trạng thái của mạng lưới được quyết định bởi độ mạnh của các kết nối giữa các nút.
Trong quá trình huấn luyện, thuật toán liên tục điều chỉnh nhẹ các liên kết để tìm ra cấu hình có khả năng tái tạo khuôn mặt Langevin tốt nhất.
Mạng lưới này cũng có thể được hình dung như một hệ thống các lò xo nối nhau, trong đó mỗi lò xo có độ cứng có thể thay đổi.
Về nguyên tắc, người ta thậm chí có thể chế tạo một máy tính nhiệt động lực học bằng những chiếc lò xo thật. Tuy nhiên, thiết bị đó có lẽ chỉ mang tính minh họa chứ không phải công nghệ thực tế.
Ít nhiệt hơn mạng nơ-ron kỹ thuật số
Whitelam nhận thấy động lực của hệ thống có thể đi theo một con đường làm thất thoát lượng nhiệt gần như nhỏ nhất.
Theo phép so sánh sơ bộ của ông, lượng nhiệt sinh ra trong mô hình có thể thấp hơn khoảng 100 tỷ lần so với khi thực hiện cùng nhiệm vụ bằng một mạng nơ-ron kỹ thuật số.
Đây là một con số rất ấn tượng.
Tuy nhiên, cần lưu ý rằng đây là kết quả từ mô hình lý thuyết và mô phỏng, không phải phép đo trên một thiết bị hoàn chỉnh được vận hành trong điều kiện thực tế.
Mức chênh lệch có thể thay đổi đáng kể khi tính đến:
- Năng lượng dùng để tạo nhiễu.
- Năng lượng cho việc đọc và ghi dữ liệu.
- Chi phí điều khiển hệ thống.
- Sai số của linh kiện.
- Năng lượng cần cho quá trình huấn luyện.
- Khả năng mở rộng mạng lưới.
Dù vậy, kết quả này cho thấy tiềm năng tiết kiệm năng lượng của hướng tiếp cận mới.
Liên hệ với trí tuệ nhân tạo tạo sinh
Phương pháp huấn luyện của Whitelam có một số điểm tương đồng với cách các mô hình trí tuệ nhân tạo tạo sinh hiện nay được huấn luyện.
Các mô hình tạo ảnh hiện đại thường học cách khôi phục cấu trúc từ những dữ liệu bị làm nhiễu. Chúng có thể bắt đầu từ một trường điểm ảnh gần như ngẫu nhiên rồi từng bước tạo ra hình ảnh có tổ chức.
Theo Whitelam, thuật toán của ông mang tính “tạo sinh” theo hai nghĩa.
Thứ nhất, nó biến nhiễu thành cấu trúc, tức tạo ra trật tự từ sự hỗn loạn.
Thứ hai, nếu được huấn luyện trên một tập hợp hình ảnh, hệ thống có thể tạo ra những hình ảnh mới mà nó chưa từng nhìn thấy trước đó.
Điều này khiến trí tuệ nhân tạo tạo sinh trở thành một trong những ứng dụng tiềm năng quan trọng nhất của điện toán nhiệt động lực học.
Các mô hình AI hiện nay đòi hỏi lượng tính toán rất lớn. Việc huấn luyện và vận hành chúng trên các trung tâm dữ liệu có thể tiêu thụ nhiều điện và tạo ra lượng nhiệt đáng kể.
Nếu máy tính nhiệt động lực học có thể thực hiện những phép tính xác suất tương tự với năng lượng thấp hơn, công nghệ này có thể trở nên đặc biệt hữu ích cho AI.
Extropic và máy tính xác suất
Normal Computing không phải công ty duy nhất đặt cược vào tương lai của điện toán nhiệt động lực học.
Extropic, một công ty có trụ sở tại Boston, cũng được thành lập năm 2022 bởi các thành viên từng làm việc tại Google, IBM, Apple và Microsoft.
Tháng 10 năm 2025, Extropic công bố thiết bị mà công ty gọi là “máy tính xác suất có khả năng mở rộng đầu tiên trên thế giới”.
Thiết bị gồm một mạng lưới hàng nghìn thành phần bán dẫn được kết nối trên một con chip.
Những bộ xử lý này được gọi là đơn vị lấy mẫu nhiệt động lực học. Chúng được thiết kế để vận hành các thuật toán xác suất và trí tuệ nhân tạo tạo sinh.
Extropic tuyên bố hệ thống có thể chạy một số thuật toán AI tạo sinh với mức năng lượng thấp hơn khoảng 10.000 lần so với các phương pháp hiện có.
Nghiên cứu liên quan đã được công bố trên tạp chí npj Unconventional Computing.
Tuy nhiên, giống nhiều công nghệ mới ở giai đoạn đầu, kết quả của Extropic vẫn cần được tái kiểm chứng, so sánh trên các bài toán tiêu chuẩn và đánh giá bởi nhiều nhóm độc lập.
Máy tính hoạt động theo cách tự nhiên
Ngoài khả năng giảm chi phí điện năng và nhiệt lượng, điện toán nhiệt động lực học còn có thể giúp các nhà khoa học hiểu rõ hơn cách những hệ thống phức tạp trong tự nhiên hoạt động.
Nhiều quá trình trong sinh học phân tử vốn đã được mô tả như một dạng xử lý thông tin.
Ví dụ, một phân tử tín hiệu như hormone có thể tiếp cận bề mặt tế bào và gắn với một thụ thể.
Sau đó, tín hiệu được truyền qua một chuỗi các phân tử tương tác bên trong tế bào.
Cuối cùng, chuỗi tín hiệu có thể đi đến nhân tế bào và kích hoạt một gene cụ thể.
Quá trình này có nhiều nét tương đồng với hoạt động của một mạch logic:
- Tế bào nhận tín hiệu đầu vào.
- Các phân tử trung gian xử lý và truyền tín hiệu.
- Một cơ chế kiểm soát đưa ra phản ứng.
- Gene được bật hoặc tắt như một công tắc.
Tế bào thực hiện những quá trình này với hiệu quả rất cao, tỏa ra ít nhiệt và tận dụng chính các tương tác nhiệt động lực học giữa các phân tử.
Điều đó dẫn đến một câu hỏi thú vị:
Liệu tế bào có phải là một dạng máy tính nhiệt động lực học hay không?
Theo cách nhìn của Stephen Whitelam, có thể nói tự nhiên sử dụng những “máy tính Langevin” được lập trình bởi quá trình tiến hóa.
Nói cách khác, quá trình tiến hóa đã định hình các phân tử và mạng lưới sinh học sao cho chúng có thể sử dụng dao động nhiệt để xử lý thông tin và tạo ra hành vi có tổ chức.
Liệu sinh học có thực sự đang “tính toán”?
Không phải nhà khoa học nào cũng sẵn sàng gọi các hệ sinh học là máy tính.
Kunihiko Kaneko, nhà lý thuyết về các hệ thống phức tạp tại Viện Niels Bohr ở Copenhagen, nhận xét rằng ý tưởng tận dụng dao động nhiệt thay vì đàn áp chúng rất đáng suy ngẫm.
Tuy nhiên, việc liệu khái niệm đó có thực sự chuyển thành “tính toán” trong bối cảnh sinh học hay không vẫn là một câu hỏi mở.
Sự khác biệt nằm ở cách chúng ta định nghĩa việc tính toán.
Trong máy tính thông thường, bài toán, dữ liệu đầu vào và kết quả đầu ra đều được xác định rõ ràng.
Trong một tế bào, các quá trình diễn ra đồng thời, liên tục và phụ thuộc vào môi trường. Không phải lúc nào cũng có thể xác định chính xác đâu là thuật toán hay lời giải.
Dù vậy, nghiên cứu về điện toán nhiệt động lực học có thể tạo ra một cầu nối mới giữa:
- Vật lý.
- Khoa học máy tính.
- Sinh học phân tử.
- Lý thuyết thông tin.
- Khoa học thần kinh.
- Trí tuệ nhân tạo.
Một lĩnh vực còn ở giai đoạn sơ khai
Điện toán nhiệt động lực học hiện vẫn ở những bước đầu tiên.
Patrick Coles và các đồng nghiệp so sánh tình trạng của lĩnh vực này với máy tính lượng tử vào thập niên 1990, khi các nhà nghiên cứu mới chỉ chế tạo được những thiết bị quy mô rất nhỏ.
Ngày nay, điện toán lượng tử đã trở thành một ngành công nghiệp toàn cầu được định giá khoảng hàng chục tỷ đô la.
Tuy nhiên, chế tạo máy tính lượng tử rất khó.
Các bit lượng tử phải được duy trì trong những trạng thái lượng tử mong manh. Chúng dễ bị nhiễu từ môi trường và thường phải được làm lạnh tới nhiệt độ cực thấp.
Ngược lại, máy tính nhiệt động lực học có thể được xây dựng bằng các linh kiện bán dẫn và bộ cộng hưởng tương đối đơn giản.
Về lý thuyết, chúng không cần những trạng thái lượng tử vướng víu phức tạp hoặc các hệ thống làm lạnh sâu.
Nhóm Normal Computing cho rằng việc có ít rào cản công nghệ hơn có thể giúp điện toán nhiệt động lực học trở thành một lựa chọn thực tế trong tương lai gần hơn so với điện toán lượng tử.
Tuy nhiên, điều đó không có nghĩa lĩnh vực này không gặp khó khăn.
Các nhà nghiên cứu vẫn phải giải quyết nhiều vấn đề như:
- Làm thế nào để tạo và kiểm soát nhiễu hiệu quả.
- Làm thế nào để đọc kết quả chính xác.
- Làm thế nào để giảm sai số.
- Làm thế nào để mở rộng hệ thống lên hàng triệu hoặc hàng tỷ thành phần.
- Những bài toán nào thực sự phù hợp với phương pháp này.
- Tổng năng lượng của toàn bộ hệ thống có thực sự thấp hơn máy tính số hay không.
- Làm thế nào để tích hợp công nghệ vào cơ sở hạ tầng máy tính hiện tại.
Tương lai có thể giống lịch sử của AI
Whitelam cũng so sánh máy tính nhiệt động lực học hiện nay với những mạng nơ-ron kỹ thuật số nhỏ vào khoảng năm 1990.
Vào thời điểm đó, mạng nơ-ron còn khá hạn chế. Chúng chỉ xử lý được những bài toán nhỏ và chưa đủ sức cạnh tranh với nhiều phương pháp truyền thống.
Ba thập niên sau, nhờ phần cứng mạnh hơn, lượng dữ liệu lớn hơn và phương pháp huấn luyện tốt hơn, mạng nơ-ron đã trở thành nền tảng của cuộc cách mạng AI.
Những hệ thống như mô hình ngôn ngữ lớn và công cụ tạo hình ảnh đều phát triển từ các ý tưởng từng bị xem là quá hạn chế.
Whitelam cho rằng điều tương tự có thể xảy ra với điện toán nhiệt động lực học.
Các thiết kế hiện tại còn nhỏ và đơn giản, nhưng các hệ thống lớn hơn, nhiều thành phần hơn và được huấn luyện tốt hơn có thể tạo ra những khả năng mới.
Tuy nhiên, đây vẫn chỉ là một khả năng.
Chưa ai biết chắc liệu việc mở rộng quy mô có tạo ra bước đột phá tương tự AI hay không. Các hệ thống vật lý thực tế có thể xuất hiện những vấn đề không thể nhìn thấy trong mô phỏng.
Một cách nhìn khác về máy tính
Máy tính hiện đại được xây dựng dựa trên ý tưởng kiểm soát.
Chúng ta cố gắng:
- Giữ các bit ở trạng thái rõ ràng.
- Loại bỏ nhiễu.
- Ngăn những dao động ngẫu nhiên.
- Thực hiện các phép tính theo một trình tự chính xác.
- Tách máy tính khỏi sự hỗn loạn của môi trường.
Điện toán nhiệt động lực học đề xuất một cách nhìn gần như đối lập.
Thay vì bắt hệ thống phải chống lại tự nhiên, chúng ta có thể thiết kế để nó chuyển động cùng tự nhiên.
Thay vì tiêu tốn năng lượng nhằm loại bỏ mọi biến động, chúng ta có thể để các biến động đó giúp hệ thống khám phá không gian các lời giải.
Thay vì lập trình từng bước, chúng ta có thể mã hóa bài toán vào cảnh quan năng lượng rồi để vật lý tự tìm đường.
Điều này không có nghĩa máy tính nhiệt động lực học sẽ thay thế hoàn toàn máy tính kỹ thuật số.
Chúng có thể phù hợp nhất với một số loại bài toán nhất định, đặc biệt là:
- Tính toán xác suất.
- Tối ưu hóa.
- Lấy mẫu từ các phân phối phức tạp.
- Học máy.
- AI tạo sinh.
- Mô phỏng phân tử.
- Khôi phục tín hiệu và hình ảnh.
- Các hệ thống chấp nhận một mức độ sai số nhất định.
Trong khi đó, máy tính kỹ thuật số truyền thống vẫn phù hợp hơn với những nhiệm vụ đòi hỏi kết quả chính xác tuyệt đối và có thể lặp lại hoàn toàn.
Từ hỗn loạn đến trật tự
Ý tưởng trung tâm của điện toán nhiệt động lực học có thể được tóm gọn như sau:
Nhiễu không nhất thiết chỉ là sự cản trở. Trong một hệ thống được thiết kế đúng cách, nhiễu có thể trở thành nguồn lực.
Tự nhiên đã sử dụng nhiệt động lực học trong hàng tỷ năm.
Protein tự gấp cuộn để đạt hình dạng phù hợp. Tế bào truyền và xử lý tín hiệu. Sinh vật duy trì trật tự bằng cách hấp thụ và phân tán năng lượng. Những hệ thống sống liên tục hoạt động giữa vô số dao động ngẫu nhiên nhưng vẫn tạo ra cấu trúc và chức năng phức tạp.
Điện toán nhiệt động lực học muốn học theo cách đó.
Thay vì xây dựng những cỗ máy hoàn toàn tách biệt khỏi sự hỗn loạn của thế giới vật lý, nó tìm cách tạo ra những cỗ máy có thể tận dụng chính sự hỗn loạn ấy.
Hiện chưa rõ công nghệ này có trở thành một cuộc cách mạng mới hay chỉ phù hợp với một số ứng dụng chuyên biệt.
Nhưng nếu thành công, những máy tính trong tương lai có thể hoạt động rất khác với ngày nay.
Chúng không còn cố gắng giữ im lặng giữa một vũ trụ đầy nhiễu.
Chúng sẽ lắng nghe nhiễu, chuyển động cùng nó và biến dòng năng lượng ngẫu nhiên thành kết quả tính toán.
