연말 리뷰: 2022년 컴퓨터 과학의 6가지 주요 혁신! 양자 암호화 크래킹, 가장 빠른 행렬 곱셈 등이 목록에 있습니다.

2022년에는 컴퓨터 분야에 획기적인 사건들이 많이 일어날 것입니다.

올해 컴퓨터 과학자들은 완벽한 전송의 비결을 배웠고, 트랜스포머는 비약적인 발전을 이루었으며, AI의 도움으로 수십 년 된 알고리즘이 크게 향상되었습니다...

빅 컴퓨터 이벤트 in 2022

요즘 컴퓨터 과학자들이 해결할 수 있는 문제의 범위가 점점 넓어지면서 이들의 업무도 점점 더 학제적으로 변해가고 있습니다.

올해 컴퓨터 과학 분야의 많은 성과는 다른 과학자와 수학자에게도 도움이 되었습니다.

예를 들어 전체 인터넷 보안과 관련된 암호화 문제가 있습니다.

암호화 뒤에는 복잡한 수학적 문제가 있는 경우가 많습니다. 한때 양자 컴퓨터의 공격에 저항하기에 충분하다고 여겨지는 매우 유망한 새로운 암호화 체계가 있었지만, 이 체계는 "두 개의 타원 곡선과 아벨 표면과의 관계의 곱"이라는 수학적 문제로 인해 뒤집혔습니다.

단방향 함수 형태의 다양한 수학적 관계 세트는 암호 작성자에게 실제로 안전한 코드가 있는지 여부를 알려줍니다.

컴퓨터 과학, 특히 양자 컴퓨팅도 물리학과 상당 부분 중복됩니다.

올해 이론 컴퓨터 과학의 주요 사건은 과학자들이 NLTS 추측을 증명했다는 것입니다.

이 추측은 입자 사이의 유령 같은 양자 얽힘이 물리학자들이 한때 상상했던 것만큼 미묘하지 않다는 것을 말해줍니다.

이것은 물리적 세계에 대한 우리의 이해에 영향을 미칠 뿐만 아니라 얽힘으로 인해 발생하는 수많은 암호화 가능성에도 영향을 미칩니다.

또한 인공 지능은 항상 생물학을 보완해 왔습니다. 실제로 생물학 분야는 궁극적인 컴퓨터일 수 있는 인간 두뇌에서 영감을 얻습니다.

오랫동안 컴퓨터 과학자와 신경과학자들은 뇌가 어떻게 작동하는지 이해하고 뇌와 유사한 인공 지능을 만들어내길 희망해 왔지만 이는 항상 헛된 꿈인 것처럼 보였습니다.

하지만 놀랍게도 Transformer 신경망은 뇌처럼 정보를 처리하는 것 같습니다. Transformers의 작동 방식에 대해 더 많이 이해할 때마다 우리는 뇌에 ​​대해 더 많이 이해하게 되며, 그 반대의 경우도 마찬가지입니다.

아마 이것이 Transformer가 언어 처리 및 이미지 분류에 능숙한 이유일 것입니다.

심지어 AI는 더 나은 AI를 만드는 데 도움이 될 수 있습니다. 새로운 하이퍼네트워크는 연구자가 더 저렴한 비용과 더 빠른 속도로 신경망을 훈련하는 데 도움이 될 수 있으며, 과학자에게도 도움이 될 수 있습니다.

Top1: 양자 얽힘에 대한 답

양자 얽힘은 멀리 있는 입자들을 밀접하게 연결하는 특성입니다. 완전히 얽힌 시스템을 완전히 설명할 수는 없습니다.

그러나 물리학자들은 완전한 얽힘에 가까운 시스템이 설명하기 더 쉬울 것이라고 믿습니다. 그러나 컴퓨터 과학자들은 이러한 시스템도 계산이 불가능하다고 믿고 있으며, 이것이 바로 양자 PCP(Probabilistically Checkable Proof) 추측입니다.

양자 PCP 이론을 증명하기 위해 과학자들은 NLTS(Non-Low Energy Trivial State) 추측이라는 더 간단한 가설을 제안했습니다.

올해 6월, 하버드 대학교, 유니버시티 칼리지 런던, 캘리포니아 대학교 버클리 캠퍼스의 컴퓨터 과학자 3명이 논문에서 NLTS 추측의 첫 번째 증명을 달성했습니다.

논문 주소: https://arxiv.org/abs/2206.13228

이것은 더 높은 온도에서 얽힌 상태를 유지할 수 있는 양자 시스템이 있다는 것을 의미하며, 멀리 떨어져 있어도 저온, 얽힌 입자 시스템과 같은 극한 조건에서는 바닥 상태 에너지를 분석하고 계산하기가 여전히 어렵습니다.

물리학자들은 얽힘이 생각만큼 취약하지 않다는 사실에 놀랐고, 컴퓨터 과학자들은 양자 PCP(확률적 검출 가능 증명)로 알려진 정리를 한 단계 더 증명하는 데 가까워진 것을 기쁘게 생각합니다.

올해 10월, 연구원들은 상당한 거리에 걸쳐 세 개의 입자를 서로 얽히는 데 성공하여 양자 암호화의 가능성을 강화했습니다.

Top2: AI가 이해하는 방식의 변화

지난 5년 동안 Transformer는 AI가 정보를 처리하는 방식에 혁명을 일으켰습니다.

트랜스포머는 2017년에 처음으로 논문에 등장했습니다.

사람들은 언어를 이해하고 생성하기 위해 Transformer를 개발합니다. 입력 데이터의 모든 요소를 ​​실시간으로 처리하여 "큰 그림" 보기를 제공할 수 있습니다.

단편화된 접근 방식을 채택하는 다른 언어 네트워크와 비교할 때 이 "큰 그림 보기"는 Transformer의 속도와 정확성을 크게 향상시킵니다.

이것은 또한 믿을 수 없을 정도로 다재다능합니다. 다른 AI 연구자들도 Transformer를 자신의 분야에 적용합니다.

그들은 동일한 원칙을 적용하면 이미지 분류 도구를 업그레이드하고 여러 유형의 데이터를 동시에 처리하는 데 사용할 수 있다는 것을 발견했습니다.

문서 주소: https://arxiv.org/abs/2010.11929

Transformers는 텍스트 분석 및 예측에 초점을 맞춘 단어 인식과 같은 애플리케이션 분야에서 빠르게 선두주자가 되었습니다. 이는 수천억 개의 단어를 학습하고 혼란스러울 정도로 일관되고 새로운 텍스트를 생성하는 OpenAI의 GPT-3와 같은 도구의 물결을 촉발시켰습니다.

그러나 Transformer가 아닌 모델과 비교할 때 이러한 이점은 Transformer에 대한 훈련량이 더 많아지는 대신에 발생합니다.

이 얼굴은 200,000명 이상의 유명인 얼굴 데이터 세트에 대한 교육을 마친 후 Transformer 기반 네트워크에서 생성되었습니다.

올해 3월, 연구에서는 Transformer의 작동 방식을 조사했습니다. 이 기능이 강력한 이유는 단순히 패턴을 암기하는 것이 아니라 단어에 더 큰 의미를 부여하는 능력 때문입니다.

사실 Transformer는 적응력이 매우 뛰어나서 신경과학자들은 Transformer 기반 네트워크를 사용하여 인간의 뇌 기능을 모델링하기 시작했습니다.

이는 인공지능과 인간지능이 동일할 수도 있음을 보여줍니다.

Top3: 깨진 양자 암호화 알고리즘

양자 컴퓨팅의 등장으로 원래 많은 양의 계산이 필요했던 많은 문제가 해결되었으며, 기존 암호화 알고리즘의 보안도 위협을 받았습니다. 이에 학계에서는 양자컴퓨터의 크래킹에 저항하기 위해 포스트양자암호(Post-Quantum Cryptography) 개념을 제안해왔다.

가장 기대되는 암호화 알고리즘인 SIKE(Supersingular Isogeny Key Encapsulation)는 타원 곡선을 정리로 사용하는 암호화 알고리즘입니다.

그러나 올해 7월 벨기에 루벤 대학의 두 연구원은 이 알고리즘이 10년 된 데스크톱 컴퓨터를 사용하여 단 한 시간 만에 성공적으로 크랙될 수 있다는 것을 발견했습니다.

연구원들이 잠재적인 코드 취약점보다는 알고리즘 설계의 핵심을 공격하면서 순전히 수학적 관점에서 이 문제에 접근했다는 점은 주목할 가치가 있습니다.

논문 주소: https://eprint.iacr.org/2022/975

이와 관련하여 연구진은 '단방향'의 존재를 증명할 수 있어야만 가능하다고 말했습니다. function" 증명 가능한 안전한 코드, 즉 절대 실패할 수 없는 코드를 만듭니다.

존재 여부는 아직 알 수 없지만 연구자들은 이 문제가 콜모고로프 복잡성이라는 또 다른 문제와 동일하다고 믿습니다. 단방향 기능과 실제 암호화는 Kolmogorov 복잡성의 일부 버전을 계산하기 어려운 경우에만 가능합니다.

Top4: AI로 AI 훈련

최근 인공신경망의 패턴 인식 기술은 인공지능 분야에 활력을 불어넣고 있습니다.

하지만 네트워크가 작동하기 전에 연구원은 먼저 네트워크를 훈련시켜야 합니다.

이 교육 프로세스는 몇 달 동안 지속될 수 있으며 대량의 데이터가 필요하며 이 기간 동안 잠재적으로 수십억 개의 매개변수를 미세 조정해야 합니다.

이제 연구자들은 새로운 아이디어를 얻었습니다. 기계가 대신 작업을 수행하도록 하세요.

이 새로운 "하이퍼네트워크"는 GHN-2라고 하며, 다른 네트워크를 처리하고 뱉어낼 수 있습니다.

문서 링크: https://arxiv.org/abs/2110.13100

빠르고 특정 네트워크를 분석하고 값이 ​​전통적으로 훈련된 네트워크에서 매개변수로 유효합니다.

GHN-2에서 제공하는 매개변수가 최적이 아닐 수도 있지만 여전히 더 이상적인 시작점을 제공하여 전체 훈련에 필요한 시간과 데이터를 줄여줍니다.

주어진 이미지 데이터세트와 DEEPNETS-1M 아키텍처 데이터세트에서 예측된 매개변수를 사용하여 역전파를 통해 훈련되었습니다.

이번 여름, Quanta Magazine은 또 다른 보조 기계에 대한 작업도 수행했습니다. 새로운 학습 방법, 즉 구현된 인공 지능입니다.

이를 통해 알고리즘은 정적 이미지나 추상 데이터가 아닌 반응형 3차원 환경에서 학습할 수 있습니다.

시뮬레이트된 세계를 탐험하는 에이전트이든 현실 세계의 로봇이든 이러한 시스템은 근본적으로 다른 학습 방식을 가지고 있으며 많은 경우 이러한 방식은 기존 방법을 사용하여 훈련된 시스템보다 낫습니다.

Top5: 알고리즘 개선

기본 컴퓨팅 알고리즘의 효율성을 높이는 것은 항상 학계의 화두였습니다. 왜냐하면 많은 계산의 전체 속도에 영향을 미쳐 현장에서 도미노 효과를 일으키기 때문입니다. 지능형 컴퓨팅의.

올해 10월 Nature에 발표된 논문에서 DeepMind 팀은 행렬 곱셈과 같은 기본 컴퓨팅 작업을 위한 새롭고 효율적이며 올바른 알고리즘을 발견하기 위한 최초의 AI 시스템인 AlphaTensor를 제안했습니다.

그 모습은 50년 동안 풀리지 않은 수학 문제에 대한 새로운 답을 찾았습니다: 두 행렬을 곱하는 가장 빠른 방법을 찾는 것입니다.

행렬 변환의 기본 연산 중 하나인 행렬 곱셈은 많은 컴퓨팅 작업의 핵심 구성 요소입니다. 컴퓨터 그래픽, 디지털 통신, 신경망 훈련, 과학 컴퓨팅 등을 다루고 있으며 AlphaTensor가 발견한 알고리즘은 이러한 분야의 컴퓨팅 효율성을 크게 향상시킬 수 있습니다.

논문 주소: https://www.nature.com/articles/s41586-022-05172-4

올해 3월, 6명의 컴퓨터 과학자로 구성된 팀이 " 엄청나게 빠른' 알고리즘은 가장 오래된 컴퓨터 문제인 '최대 흐름 문제'에서 획기적인 발전을 이루었습니다.

새로운 알고리즘은 "거의 선형" 시간 내에 이 문제를 해결할 수 있습니다. 즉, 실행 시간은 기본적으로 네트워크 세부 정보를 기록하는 데 필요한 시간에 비례합니다.

논문 주소: https://arxiv.org/abs/2203.00671v2

최대 흐름 문제는 장치의 기능을 최대한 활용하여 촉진하는 방법을 논의하는 조합 최적화 문제입니다. 운송 가장 큰 흐름이므로 최상의 결과를 얻을 수 있습니다.

일상생활에서는 인터넷 데이터 흐름, 항공사 스케줄링, 구직자와 공석 매칭 등 다양한 측면에서 사용됩니다.

논문 저자 중 한 명인 Yale University의 Daniel Spielman은 "저는 원래 이 문제에 대해 이러한 효율적인 알고리즘이 존재할 수 없다고 굳게 믿었습니다."라고 말했습니다.

상위 6: 정보를 공유하는 새로운 방법

프린스턴 대학교 이론 컴퓨터 과학자인 Mark Braverman은 인생의 4분의 1 이상을 대화형 의사소통의 새로운 이론을 연구하는 데 보냈습니다.

그의 작업을 통해 연구원들은 "정보" 및 "지식"과 같은 용어를 정량화할 수 있었으며, 이는 상호 작용에 대한 보다 이론적 이해를 이끌어냈을 뿐만 아니라 보다 효율적이고 정확한 의사 소통을 가능하게 하는 새로운 기술을 만들었습니다.

Braverman이 가장 좋아하는 것은 사무실 소파에 앉아 정량적 문제에 대해 생각하는 것입니다.

이와 그의 다른 업적에 대해 국제수학연맹(International Mathematical Union)은 올해 7월 Braverman에게 이론적 부문에 대한 IMU Abacus 메달을 수여했습니다. 컴퓨터는 과학 분야에서 가장 높은 영예 중 하나입니다.

IMU의 수상 연설에서는 Braverman이 정보 복잡성에 기여한 덕분에 사람들이 두 당사자가 서로 통신할 때 정보 비용의 다양한 측정 방식에 대해 더 깊이 이해할 수 있게 되었다고 지적했습니다.

그의 작업은 전송 오류에 덜 민감한 새로운 인코딩 전략과 전송 및 조작 중에 데이터를 압축하는 새로운 방법의 길을 열었습니다.

정보 복잡성 문제는 Claude Shannon의 선구적인 작업에서 비롯됩니다. 1948년 그는 한 사람이 채널을 통해 다른 사람에게 메시지를 보낼 수 있는 수학적 프레임워크를 개발했습니다.

Braverman의 가장 큰 공헌은 대화형 커뮤니케이션의 경계를 설명하는 공통 규칙을 명확히 하는 광범위한 프레임워크를 구축한 것입니다. 이러한 규칙은 전략을 통해 온라인으로 전송되는 데이터를 압축하고 보호하는 새로운 방법을 제안합니다.

문서 주소: https://arxiv.org/abs/1106.3595

"대화형 압축" 문제는 다음과 같이 이해할 수 있습니다. 두 사람이 백만 개의 문자 메시지를 교환하지만 1,000비트의 정보 교환을 1,000비트의 보존으로 압축할 수 있습니까?

Braverman과 Rao의 연구에 따르면 대답은 '아니오'입니다.

그리고 Braverman은 이러한 문제를 해결했을 뿐만 아니라 연구자들이 먼저 이를 설명하고 수학의 공식 언어로 번역할 수 있는 새로운 관점을 도입했습니다.

그의 이론은 이러한 문제를 탐구하고 미래 기술에 나타날 수 있는 새로운 통신 프로토콜을 식별하기 위한 토대를 마련했습니다.

위 내용은 연말 리뷰: 2022년 컴퓨터 과학의 6가지 주요 혁신! 양자 암호화 크래킹, 가장 빠른 행렬 곱셈 등이 목록에 있습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!