摘要

本文探讨了用于自主系统（如无人机、机器人和自动驾驶汽车）的人工智能（AI）系统的能源效率问题。由于这些系统可能消耗高达50%的可用车载电力，限制了车辆的功能和行驶距离，因此需要开发新型能源高效的AI系统。文章提出了一种使用自然物理环境中的非线性动力学特性来模拟生物大脑操作的神经形态计算机，并讨论了量子神经形态处理器（QNPs）的应用，这些处理器在消耗极少电力的情况下，能够以标准计算机的效率进行计算。文章还介绍了物理储层计算的概念，这是一种利用物理系统中的非线性动力学特性进行计算的方法，具有广泛的应用前景。

原理

文章提出的神经形态计算机通过模拟生物大脑的运作原理，利用自然物理环境中的非线性动力学特性进行计算。这种计算方法通过物理储层计算（Physical Reservoir Computing, PRC）实现，其中物理系统（如流体动力学现象）被用作计算储层。量子神经形态处理器（QNPs）则利用量子力学的特性，通过量子态的非线性变换进行信息处理，具有低能耗和高效率的特点。这些系统通过捕捉和处理环境中的物理现象（如湍流、水波等）来执行复杂的计算任务。

流程

在物理储层计算中，首先通过传感器捕捉物理环境中的非线性动力学现象（如湍流、水波等），然后将这些数据输入到储层计算算法中。算法通过处理这些数据来预测或控制自主系统的行为。例如，一个水下无人机可以通过分析其产生的波浪模式来预测其最佳航迹。量子神经形态处理器则通过量子态的演化和测量来处理输入数据，实现高效的计算和预测。

应用

这些能源高效的AI系统特别适合应用于轻型和长距离无人机、自动驾驶汽车和其他自主车辆。物理储层计算和量子神经形态处理器的结合，为未来的自主系统提供了新的计算范式，有望在多个领域（如环境监测、灾害响应和物流管理）中发挥重要作用。随着技术的进一步发展，这些系统有望实现更广泛的应用，推动AI技术的可持续发展。