En 2022, de nombreux événements marquants se produiront dans le domaine informatique.
Cette année, les informaticiens ont appris le secret d'une transmission parfaite, Transformer a fait des progrès rapides et, avec l'aide de l'IA, des algorithmes vieux de plusieurs décennies ont été considérablement améliorés...
Aujourd'hui, l'éventail des problèmes que les informaticiens peuvent résoudre est de plus en plus large, leur travail devient donc de plus en plus interdisciplinaire.
Cette année, de nombreuses réalisations dans le domaine de l'informatique ont également aidé d'autres scientifiques et mathématiciens.
Par exemple, les problèmes de cryptographie, qui concernent la sécurité de l'ensemble d'Internet.
Derrière la cryptographie se cachent souvent des problèmes mathématiques complexes. Il existait autrefois un nouveau schéma cryptographique très prometteur, considéré comme suffisant pour résister aux attaques des ordinateurs quantiques. Cependant, ce schéma a été bouleversé par le problème mathématique du « produit de deux courbes elliptiques et sa relation avec la surface abélienne ».
Un ensemble différent de relations mathématiques, sous la forme de fonctions à sens unique, indiquera aux cryptographes s'ils disposent d'un code véritablement sécurisé.
L'informatique, en particulier l'informatique quantique, présente également un chevauchement important avec la physique.
Un événement majeur en informatique théorique cette année est que les scientifiques ont prouvé la conjecture du NLTS.
Cette conjecture nous dit que l’intrication quantique fantomatique entre les particules n’est pas aussi subtile que les physiciens l’imaginaient autrefois.
Cela affecte non seulement notre compréhension du monde physique, mais affecte également les innombrables possibilités cryptographiques apportées par l'intrication.
De plus, l'intelligence artificielle a toujours été complémentaire à la biologie - en fait, le domaine de la biologie s'inspire du cerveau humain, qui pourrait être l'ordinateur ultime.
Depuis longtemps, les informaticiens et les neuroscientifiques espèrent comprendre le fonctionnement du cerveau et créer une intelligence artificielle semblable à celle du cerveau, mais cela a toujours semblé être une chimère.
Mais incroyablement, le réseau neuronal Transformer semble traiter les informations comme un cerveau. Chaque fois que nous comprenons mieux le fonctionnement des Transformers, nous comprenons mieux le cerveau, et vice versa.
C'est peut-être pour cela que Transformer est si bon en traitement du langage et en classification d'images.
Même l'IA peut nous aider à créer une meilleure IA. Les nouveaux hyperréseaux peuvent aider les chercheurs à former des réseaux de neurones à moindre coût et à une vitesse plus rapide, et peuvent également aider dans d'autres domaines.
L'intrication quantique est une propriété qui relie étroitement des particules distantes. Il est certain qu'un système complètement intriqué ne peut pas être entièrement décrit.
Cependant, les physiciens pensent que les systèmes proches de l’intrication complète seront plus faciles à décrire. Mais les informaticiens pensent que ces systèmes sont également impossibles à calculer, et c’est la conjecture quantique PCP (Probabilistic Checkable Proof).
Pour aider à prouver la théorie quantique de la PCP, les scientifiques ont proposé une hypothèse plus simple appelée la conjecture de « l'état trivial de non-basse énergie » (NLTS).
En juin de cette année, trois informaticiens de l'Université Harvard, de l'University College London et de l'Université de Californie à Berkeley ont réalisé la première preuve de la conjecture NLTS dans un article.
Adresse papier : https://arxiv.org/abs/2206.13228
Cela signifie qu'il existe des systèmes quantiques qui peuvent maintenir des états intriqués à des températures plus élevées, et montre également que même loin de des conditions extrêmes telles que des températures basses et des systèmes de particules intriquées restent difficiles à analyser et à calculer l'énergie de l'état fondamental.
Les physiciens sont surpris car cela signifie que l'intrication n'est pas nécessairement aussi fragile qu'ils le pensaient, tandis que les informaticiens sont ravis d'être plus près de prouver un théorème connu sous le nom de PCP quantique (preuve probabiliste détectable) Un pas en avant.
En octobre de cette année, des chercheurs ont réussi à intriguer trois particules ensemble sur une distance considérable, renforçant ainsi la possibilité d'un cryptage quantique.
Au cours des cinq dernières années, Transformer a révolutionné la façon dont l'IA traite les informations.
En 2017, Transformer est apparu pour la première fois dans un journal.
Les gens développent des Transformers pour comprendre et générer du langage. Il peut traiter chaque élément des données d'entrée en temps réel, leur donnant ainsi une vue d'ensemble.
Par rapport à d'autres réseaux linguistiques qui adoptent une approche fragmentée, cette « vue d'ensemble » améliore considérablement la vitesse et la précision de Transformer.
Cela le rend également incroyablement polyvalent. D'autres chercheurs en IA appliquent également Transformer à leurs propres domaines.
Ils ont découvert que l'application des mêmes principes peut être utilisée pour mettre à niveau les outils de classification d'images et de traitement simultané de plusieurs types de données.
Adresse papier : https://arxiv.org/abs/2010.11929
Transformers est rapidement devenu un leader dans les applications telles que la reconnaissance de mots qui se concentrent sur l'analyse et la prédiction de texte. Cela a déclenché une vague d’outils, tels que GPT-3 d’OpenAI, qui s’entraînent sur des centaines de milliards de mots et génèrent de nouveaux textes cohérents à des degrés inquiétants.
Cependant, par rapport aux modèles non Transformer, ces avantages se font au prix d'un volume d'entraînement plus important pour Transformer.
Ces visages ont été créés par un réseau basé sur Transformer après une formation sur un ensemble de données de plus de 200 000 visages de célébrités
En mars de cette année, une recherche a examiné le fonctionnement de Transformer. Les chercheurs ont découvert qu'une partie de ce qui le rend si puissant est sa capacité à attacher une plus grande signification aux mots plutôt que de simplement mémoriser des schémas.
En fait, Transformer est si adaptable que les neuroscientifiques ont commencé à utiliser des réseaux basés sur Transformer pour modéliser les fonctions du cerveau humain.
Cela montre que l’intelligence artificielle et l’intelligence humaine peuvent être une seule et même chose.
L'émergence de l'informatique quantique a résolu de nombreux problèmes qui nécessitaient à l'origine une grande quantité de calculs, et la sécurité des algorithmes de chiffrement classiques a également été menacée. En conséquence, les milieux universitaires ont proposé le concept de cryptographie post-quantique pour résister au craquage par les ordinateurs quantiques.
En tant qu'algorithme de cryptage très attendu, SIKE (Supersingular Isogeny Key Encapsulation) est un algorithme de cryptage qui utilise des courbes elliptiques comme théorème.
Cependant, en juillet de cette année, deux chercheurs de l'Université de Louvain en Belgique ont découvert que cet algorithme pouvait être déchiffré avec succès en seulement une heure à l'aide d'un ordinateur de bureau vieux de 10 ans.
Il convient de noter que les chercheurs ont abordé ce problème d'un point de vue purement mathématique, en attaquant le cœur de la conception de l'algorithme plutôt que les vulnérabilités potentielles du code.
Adresse papier : https://eprint.iacr.org/2022/975
À cet égard, les chercheurs ont déclaré que cela n'est possible que si l'on peut prouver l'existence d'un « sens unique » fonction" Créez un code dont la sécurité est prouvée, c'est-à-dire un code qui ne peut jamais échouer.
Bien qu'on ignore encore s'ils existent, les chercheurs pensent que ce problème est équivalent à un autre problème appelé complexité de Kolmogorov. Les fonctions unidirectionnelles et la véritable cryptographie ne sont possibles que si une version de la complexité de Kolmogorov est difficile à calculer.
Ces dernières années, les compétences de reconnaissance de formes des réseaux de neurones artificiels ont injecté de la vitalité dans le domaine de l'intelligence artificielle.
Mais avant qu'un réseau puisse commencer à fonctionner, les chercheurs doivent d'abord le former.
Ce processus de formation peut durer des mois et nécessite de grandes quantités de données, au cours desquelles potentiellement des milliards de paramètres doivent être affinés.
Maintenant, les chercheurs ont une nouvelle idée : laisser les machines le faire à leur place.
Ce nouvel « hyperréseau » s’appelle GHN-2, et il est capable de traiter et de cracher d’autres réseaux.
Lien papier : https://arxiv.org/abs/2110.13100
Il est rapide et peut analyser n'importe quel réseau donné et fournir rapidement un ensemble de valeurs de paramètres qui Les valeurs sont valables en tant que paramètres dans un réseau formé de manière traditionnelle.
Bien que les paramètres fournis par GHN-2 ne soient pas optimaux, ils fournissent néanmoins un point de départ plus idéal, réduisant le temps et les données nécessaires à un entraînement complet.
Formé via rétropropagation avec des paramètres prédits sur un ensemble de données d'image donné et notre ensemble de données d'architecture DEEPNETS-1M
Cet été, Quanta Magazine a également travaillé sur une autre machine d'aide, une nouvelle façon d'apprendre : l'intelligence artificielle incarnée.
Il permet aux algorithmes d'apprendre à partir d'environnements tridimensionnels réactifs plutôt que d'images statiques ou de données abstraites.
Qu'il s'agisse d'un agent explorant un monde simulé ou d'un robot dans le monde réel, ces systèmes ont des méthodes d'apprentissage fondamentalement différentes et, dans de nombreux cas, ces méthodes sont meilleures que les systèmes formés à l'aide de méthodes traditionnelles.
Améliorer l'efficacité des algorithmes informatiques de base a toujours été un sujet brûlant dans la communauté universitaire, car cela affectera la vitesse globale d'un grand nombre de calculs, produisant ainsi un effet domino dans le domaine de l'informatique intelligente.
En octobre de cette année, dans un article publié dans Nature, l'équipe DeepMind a proposé AlphaTensor, le premier système d'IA permettant de découvrir de nouveaux algorithmes efficaces et corrects pour des tâches informatiques de base telles que la multiplication matricielle.
Son apparition a trouvé une nouvelle réponse à un problème mathématique non résolu vieux de 50 ans : trouver le moyen le plus rapide de multiplier deux matrices.
La multiplication matricielle, en tant qu'une des opérations de base de la transformation matricielle, est un élément essentiel de nombreuses tâches informatiques. Il couvre l'infographie, les communications numériques, la formation aux réseaux neuronaux, le calcul scientifique, etc., et les algorithmes découverts par AlphaTensor peuvent grandement améliorer l'efficacité informatique dans ces domaines.
En mars de cette année, une équipe de six informaticiens a proposé un This " Un algorithme ridiculement rapide » a fait des progrès décisifs dans le problème informatique le plus ancien, le « problème du débit maximum ».
Le nouvel algorithme peut résoudre ce problème en un temps « presque linéaire », c'est-à-dire que sa durée d'exécution est fondamentalement proportionnelle au temps nécessaire pour enregistrer les détails du réseau.
Adresse papier : https://arxiv.org/abs/2203.00671v2
Le problème du débit maximum est un problème d'optimisation combinatoire qui explique comment utiliser pleinement les capacités de l'appareil pour faciliter transport Le plus grand débit, et ainsi obtenir les meilleurs résultats.
Dans la vie quotidienne, il est utilisé dans de nombreux aspects, tels que le flux de données Internet, la planification des compagnies aériennes, et même la mise en relation des demandeurs d'emploi avec des postes vacants, etc.
Comme l'a déclaré l'un des auteurs de l'article, Daniel Spielman de l'Université de Yale : "Au départ, je croyais fermement qu'un algorithme aussi efficace ne pouvait pas exister pour ce problème." Université de Princeton L'informaticien théorique Mark Braverman a passé plus d'un quart de sa vie à rechercher de nouvelles théories de la communication interactive.
Ses travaux ont permis aux chercheurs de quantifier des termes tels que « information » et « connaissance », ce qui a non seulement conduit à une compréhension plus théorique des interactions, mais a également créé de nouvelles technologies qui permettent une communication plus efficace et plus précise.
La chose préférée de Braverman est de réfléchir à des problèmes quantitatifs sur le canapé de son bureau
Pour cela et d'autres de ses réalisations, l'Union mathématique internationale a décerné à Braverman la médaille IMU Abacus en juillet de cette année pour la théorie ordinateurs. L’une des plus hautes distinctions scientifiques.
Le discours de remise du prix de l'IMU a souligné que la contribution de Braverman à la complexité de l'information a permis aux gens de mieux comprendre les différentes mesures du coût de l'information lorsque deux parties communiquent entre elles.
Ses travaux ont ouvert la voie à de nouvelles stratégies de codage moins sensibles aux erreurs de transmission et à de nouvelles façons de compresser les données pendant la transmission et la manipulation.
Le problème de la complexité de l'information vient du travail pionnier de Claude Shannon : en 1948, il a développé un cadre mathématique permettant à une personne d'envoyer un message à une autre personne via un canal.
Et la plus grande contribution de Braverman est l'établissement d'un large cadre qui articule des règles communes pour décrire les limites de la communication interactive - ces règles proposent de nouvelles façons de compresser et de protéger les données lorsqu'elles sont envoyées en ligne via des algorithmes stratégiques.
Adresse papier : https://arxiv.org/abs/1106.3595
Le problème de la « compression interactive » peut être compris ainsi : si deux personnes échangent un million de SMS, mais seulement apprendre 1 000 bits d'information échangés peuvent-ils être compressés en 1 000 bits de conservation ?
Les recherches de Braverman et Rao montrent que la réponse est non.
Et Braverman n'a pas seulement résolu ces problèmes, il a introduit une nouvelle perspective qui a permis aux chercheurs de les élucider d'abord, puis de les traduire dans le langage formel des mathématiques.
Ses théories ont jeté les bases pour explorer ces questions et identifier de nouveaux protocoles de communication qui pourraient apparaître dans les technologies futures.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Langages informatiques
Domaines d'application informatique
Quel est le codage utilisé à l'intérieur d'un ordinateur pour traiter les données et les instructions ?
La principale raison pour laquelle les ordinateurs utilisent le binaire
Quelles sont les principales caractéristiques des ordinateurs ?
Quels sont les composants de base d'un ordinateur ?
À quelles touches les flèches font-elles référence dans les ordinateurs ?
Comment récupérer l'historique du navigateur sur un ordinateur
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
