Ֆիզիկան հանդիսանում է համակարգիչների և տեղեկատվական ու հաղորդակցման տեխնոլոգիաների (ՏՀՏ) ստեղծման ու զարգացման հիմքը։ Միանշանակ կարելի է պնդել, որ առանց ֆիզիկայի հիմնարար օրենքների բացահայտման և կիրառման՝ արդի թվային աշխարհը իր բազմաբնույթ դրսևորումներով պարզապես գոյություն չէր ունենա։
Առանց ֆիզիկայի ԱԲ-ն կմնար լոկ մաթեմատիկական տեսություն՝ թղթի վրա։ Ֆիզիկան ԱԲ-ին տվեց մարմին ու կենսունակություն՝ ի դեմս կիսահաղորդիչների, չիպերի և էներգիայի։ ԱԲ-ի ժամանակակից ալգորիթմերից շատերը փոխառված են ֆիզիկայի հայտնի օրենքներից։
Իսկ այժմ ավելի կոնկրետ։ Առաջին հերթին պետք է խոսել կիսահաղորդչային ֆիզիկայի զարգացումներից։ Մինչև անցած դարի կեսեր էլեկտրոնային հաշվիչ մեքենաները (դրանց հիմա համակարգիչ են անվանում) աշխատում էին վակուումային էլեկտրոնային լամպերով, որոնք ունեին մեծ չափեր ու աշխատանքի ընթացքում տաքանում և հաճախակի շարքից դուրս էին գալիս։
1947 թվականին ֆիզիկոսներ Ջ. Բարդինը, Վ. Բրատեյնը և Ու. Շոկլին պատրաստեցին առաջին տրանզիստորը (որի համար նրանք արժանացան Նոբելյան մրցանակի), որը փոխարինեց մեծ ու անարդյունավետ վակուումային լամպերին։
Կարդացեք նաև
Կիսահաղորդիչների ֆիզիկան բացատրեց, թե ինչպես կարելի է սիլիցիումի կամ գերմանիումի էլեկտրահաղորդականությունը կառավարել խառնուրդների միջոցով, որի շնորհիվ էլ պատրաստվեցին, այսպես կոչված, կիսահաղորդչային անցումները և միկրոսխեմաները։
Մուրի օրենքը և նանոտեխնոլոգիաներ. Չիպերի մեջ տրանզիստորների չափերի փոքրացումը (մի քանի նանոմետր) պահանջում էր ֆիզիկայի նորագույն մեթոդների կիրառում, ինչպիսին է մասնավորապես էքստրեմալ ուլտրամանուշակագույն լիթոգրաֆիան։
Մուրի օրենքը էմպիրիկ դիտարկում է, ըստ որի՝ ինտեգրալ սխեմաների (չիպերի) վրա տեղադրվող տրանզիստորների քանակը կրկնապատկվում է մոտավորապես յուրաքանչյուր երկու տարին մեկ։ Նման կանխատեսում 1965 թ. արել էր Intel ընկերության համահիմնադիր Գորդոն Մուրը։ Այն ոչ թե ֆիզիկական կամ բնական օրենք է, այլ տեխնոլոգիական միտում և ուղեցույց համակարգչային արդյունաբերության համար։
Մագնիսական հիշողությունը հիմնված է էլեկտրամագնիսական ինդուկցիայի և մագնիսառեզիստիվ էֆեկտի վրա, որը թույլ է տալիս գերխիտ տվյալներ գրել մագնիսական մակերևույթների վրա։
Ժամանակակից արագագործ սկավառակները ու ֆլեշ կրիչներն օգտագործում են քվանտային մեխանիկայի թունելային էֆեկտը՝ էլեկտրական լիցքը մեկուսացված փականում պահելու և տվյալները (0 և 1) ֆիքսելու համար։
Համացանցը և հեռահաղորդակցությունը մեծապես պարտական են ալիքային ֆիզիկային և օպտիկային։ Համաշխարհային ինտերնետային կապի մեծ մասն անցնում է օպտիկական մանրաթելով՝ լույսի արագությամբ։ Այս տեխնոլոգիան հիմնված է լույսի լրիվ ներքին անդրադարձման ֆիզիկական երևույթի վրա։
Բջջային հեռախոսներն ու անլար սարքերն օգտագործում են էլեկտրամագնիսական ալիքներ։ Մաքսվելի էլեկտրամագնիսական դաշտի տեսությունը հանդիսանում է բոլոր տեսակի անլար հաղորդակցությունների հիմքը։
Համակարգիչների, սմարթֆոնների էկրանները ֆիզիկայի և նյութագիտության համատեղ աշխատանքի արդյունք են։
Հեղուկ բյուրեղային էկրաններում օգտագործում են լույսի բևեռացման երևույթը և հեղուկ բյուրեղների մոլեկուլների կողմնորոշման փոփոխությունը էլեկտրական դաշտի ազդեցությամբ։
OLED օրգանական լուսադիոդների աշխատանքը հիմնված է էլեկտրալյումինեսցենցիայի երևույթի վրա, երբ օրգանական նյութերը լույս են արձակում՝ իրենց միջով էլեկտրական հոսանք անցնելիս։
Այսպիսով տրանզիստորը դարձավ ժամանակակից պրոցեսորների (CPU) և գրաֆիկական չիպերի (GPU) հիմնական բջիջը։ Այսօր ԱԲ-ն աշխատում է այնպիսի չիպերով, որոնցում «տեղավորված» են միլիարդավոր տրանզիստորներ։
1950-ականներին Ռոբերտ Նոյսը և Ջեկ Կիլբին իրարից անկախ պատրաստեցին ինտեգրալ սխեման։ Նրանք այդ քայլով կարողացան միլիոնավոր տրանզիստորներ, ռեզիստորներ և կոնդենսատորներ «տեղավորել» մի փոքրիկ սիլիցիումային թիթեղի վրա, որը ինտեգրալ սխեման էր։
Ինչպես հայտնի է՝ սովորական պրոցեսորները (CPU) հաշվարկները կատարում են հերթով։ Բայց ԱԲ-ի նեյրոնային ցանցերին պետք է միաժամանակ միլիոնավոր գործողություններ կատարել։ Ահա այստեղ է, որ օգնության հասան GPU-ները, որոնք ի սկզբանե ստեղծվել էին համակարգչային խաղերում լույսի, ստվերի և մասնիկների ֆիզիկական շարժումը իրական ժամանակում հաշվարկելու նպատակով։ Առանց ֆիզիկական սիմուլյացիաների համար ստեղծված այս չիպերի, ԱԲ-ի ժամանակակից զարգացումները (ChatGPT, Midjourney) չէին լինի։
Հետաքրքիր է նշել նաև, որ ԱԲ-ի նեյրոնային ցանցերի սովորելու և հիշելու մեխանիզմները ուղղակիորեն պատճենված են մոլեկուլների և ատոմների վարքը նկարագրող օրենքներից։ Երբ Նեյրոնային ցանցը «սովորում է» կամ «հիշում», այն իրականում փնտրում է տվյալների մեջ եղած ամենաօպտիմալ կառուցվածքը, ճիշտ այնպես, ինչպես բնության մեջ մոլեկուլները ձգտում են հասնել իրենց ամենակայուն՝ նվազագույն էներգիայով վիճակին։ Ֆիզիկայում ցանկացած համակարգ ձգտում է հասնել նվազագույն պոտենցիալ էներգիայով վիճակի։
Նեյրոնային ցանցի սովորելու ընթացքում օգտագործվում է, այսպես կոչված, սխալի ֆունկցիան։ Տվյալ դեպքում սխալի մեծությունը կարելի է պատկերացնել որպես համակարգի «էներգիա» ու սովորելու նպատակն է նվազեցնել սխալը։
1982 թվականին ֆիզիկոս Ջոն Հոպֆիլդը ստեղծեց նեյրոնային ցանցի մի տեսակ, որը բացատրում էր ասոցիատիվ հիշողությունը՝ օգտագործելով նյութի մագնիսական հատկությունները նկարագրող ֆիզիկական մոդել՝ Իզինգի մոդել։ Ատոմների սպինները (մագնիսական մոմենտ) ազդում են միմյանց վրա և ձգտում են համակարգը բերել կայուն մագնիսական վիճակի։
Հոպֆիլդի ցանցում տեղեկատվությունը (հիշողությունը) պահվում է որպես էներգիական լանդշաֆտի «փոսեր»/մինիմումներ։ Երբ ցանցին տալիս ենք թերի կամ աղավաղված պատկեր, այն «գլորվում» է դեպի մոտակա էնեգիական փոսը և վերականգնում ամբողջական հիշողությունը։
Պատկերներ գեներացնող ժամանակակից ԱԲ համակարգերը հիմնված են դիֆուզիայի ֆիզիկական երևույթի վրա, երբ գազի կամ հեղուկի մոլեկուլները քաոսային շարժում կատարելով տարածվում են միջավայրում (օրինակ՝ թանաքի կաթիլը ջրում)։
Այստեղ տեղի ունեցող երևույթները նման են ուղիղ և հակադարձ դիֆուզիային, երբ մի դեպքում մաքուր պատկերն աստիճանաբար վերածվում է լիակատար քաոսի, իսկ մյուս դեպքում նեյրոնային ցանցին սովորեցնում են, թե ինչպես քաոսային աղմուկից փուլ առ փուլ հեռացնել աղմուկը և ստանալ մաքուր պատկեր։ Սա նման է ջրի մեջ լուծված թանաքի մոլեկուլները հետ հավաքելուն ու մաքուր ջուր ստանալուն։
Բոլցմանի մեքենան նեյրոնային ցանցի հատուկ տեսակ է։ Հայտնի է, որ բարձր ջերմաստիճաններում գազի մոլեկուլները շարժվում են ավելի արագ և անկանոն, իսկ սառչելիս՝ դանդաղում են և դասավորվում հնարավորինս կանոնավոր կառուցվածքով։ ԱԲ-ն օգտագործում է «ջերմաստիճանի» գաղափարը սովորելու սկզբնական փուլում պատահական «մեծ» ցատկեր կատարելու, իսկ հետո «ջերմաստիճանը» իջեցնում է՝ ատոմների պես հստակ ու կայուն դասավորվելու և ճիշտ լուծումը հիշելու համար։ Ասածից հետևում է, որ ատոմների միջև փոխազդեցությունների և էներգիայի բաշխման ֆիզիկական բանաձևերը հիանալի կերպով կիրառվում են նեյրոնների միջև կապերի և տեղեկատվության մշակման համար։
2024 թվականին համաշխարհային գիտական հանրությունը ականատես եղավ պատմական իրադարձության։ Ֆիզիկայի Նոբելյան մրցանակ շնորհվեց Ջոն Հոպֆիլդին և Ջեֆրի Հինթոնին՝ արհեստական նեյրոնային ցանցերի միջոցով մեքենայական ուսուցման հիմնարար հայտնագործության համար։ Պատճառը այն էր, որ նրանց մշակած ալգորիթմները հիմնված են զուտ ֆիզիկական երևույթների վրա։ Հոպֆիլդը օգտագործեց ֆիզիկայի Իզինգի մոդելը, որը նկարագրում է, թե ինչպես են նյութի ատոմներն ազդում հարևան ատոմների վրա։ Նա ատոմների այդ փոխազդեցությունը փոխարինեց նեյրոնների միջև կապերով։ Այս գյուտի շնորհիվ ԱԲ-ն ստացավ մարդու պես հիշելու ունակություն։ Եթե համակարգին տանք հին, պատռված կամ անորակ լուսանկար, ցանցը, ֆիզիկական համակարգի պես ձգտելով դեպի ամենացածր վիճակին, «հիշում է» և ամբողջացնում պատկերը։
Հոդվածի սկզբում նշեցինք, որ եթե մաթեմատիկան ԱԲ-ի միտքն է, ապա ֆիզիկան նրա մարմինն ու էներգիան է։ Ֆիզիկոսները ստեղծեցին տրանզիստորն ու չիպը, որոնցում ֆիզիկապես պահվում և շարժվում են էլեկտրոնները։ Այդ ֆիզիկայի օրենքներն օգնեցին մաթեմատիկոսներին հասկանալ, թե ինչպես ստիպել նեյրոնային ցանցերին կայունանալ և սովորել։
Կամո Աթայան
«Առավոտ» օրաթերթ
13.10.2026
