Jadual Kandungan
Apakah ketuanan kuantum? " >Apakah ketuanan kuantum?
Tiada lagi "zon emas" untuk ketuanan kuantum " >Tiada lagi "zon emas" untuk ketuanan kuantum
Rumah Peranti teknologi AI Penyelidikan baharu daripada Stanford dan Berkeley menggulingkan 'ketuanan kuantum' Google! Cantik dalam teori, tetapi tidak berguna dalam amalan

Penyelidikan baharu daripada Stanford dan Berkeley menggulingkan 'ketuanan kuantum' Google! Cantik dalam teori, tetapi tidak berguna dalam amalan

Apr 12, 2023 pm 10:01 PM
Penyelidikan kuantum

Kuantum supremacy, istilah ini telah wujud selama hampir 4 tahun.

Pada tahun 2019, ahli fizik Google mengumumkan bahawa mereka telah berjaya mencapai hegemoni kuantum dengan mesin 53-qubit, yang merupakan peristiwa penting simbolik.

Dalam kertas kerja yang diterbitkan dalam Nature, dinyatakan bahawa sistem kuantum hanya mengambil masa 200 saat untuk menyelesaikan pengiraan, manakala pengiraan yang sama dilakukan oleh Summit, superkomputer paling berkuasa di masa, yang mengambil masa kira-kira 10,000 tahun.

Penyelidikan baharu daripada Stanford dan Berkeley menggulingkan ketuanan kuantum Google! Cantik dalam teori, tetapi tidak berguna dalam amalan

Apakah ketuanan kuantum?

Apa yang dipanggil "hegemoni kuantum", atau "kelebihan kuantum" (selepas ini dirujuk sebagai "kekuasaan kuantum"), bermaksud bahawa tugas yang boleh diselesaikan oleh komputer kuantum adalah di luar skop mana-mana algoritma klasik yang boleh dilaksanakan.

Walaupun tugas ini diletakkan pada superkomputer tradisional yang paling maju, masa pengiraan yang panjang (selalunya beribu tahun) akan menjadikan algoritma kehilangan kepentingan praktikalnya.

Apa yang menarik ialah dalam keputusan Google pada tahun 2019, ia hanya menyatakan bahawa hegemoni kuantum telah dicapai, tetapi tidak menjelaskan kejadian khusus di mana komputer kuantum mengatasi komputer klasik.

Ini adalah soalan yang sukar untuk dijawab kerana pada masa ini komputer kuantum dibelenggu oleh ralat yang boleh mengumpul dan menjejaskan prestasi dan kestabilan pengkomputeran kuantum.

Malah, berbanding dengan bidang merealisasikan hegemoni kuantum, apa yang ingin diketahui oleh saintis adalah satu lagi persoalan: apabila komputer kuantum menjadi lebih besar dan lebih besar, sama ada algoritma klasik boleh mengikutinya.

Penyelidikan baharu daripada Stanford dan Berkeley menggulingkan ketuanan kuantum Google! Cantik dalam teori, tetapi tidak berguna dalam amalan

Scott Aaronson, seorang saintis komputer di Universiti Texas di Austin, berkata: "Kami berharap akhirnya bahagian kuantum akan menjauhkan diri sepenuhnya dan menamatkan persaingan ini sepenuhnya."

Kebanyakan penyelidik membuat spekulasi bahawa jawapannya adalah tidak.

Iaitu, algoritma klasik suatu hari nanti tidak dapat sepenuhnya mengikuti rentak pengkomputeran kuantum, tetapi ia tidak dapat membuktikannya dengan tepat dan menyeluruh. Satu cara untuk membuktikan inferens ini secara muktamad ialah mencari keadaan di mana pengkomputeran kuantum boleh memperoleh "kelebihan yang berkekalan" berbanding pengkomputeran tradisional.

Kini, soalan ini nampaknya mempunyai jawapan awal:

Jimat masa: Pengkomputeran kuantum akan menghasilkan ralat Jika dibetulkan anda gagal untuk bersaing, ralat jenis ini akan memecahkan "hegemoni kuantum" dalam keadaan ideal, membolehkan algoritma klasik bersaing dengan algoritma kuantum.

Penyelidikan baharu daripada Stanford dan Berkeley menggulingkan ketuanan kuantum Google! Cantik dalam teori, tetapi tidak berguna dalam amalan

Baru-baru ini, dalam kertas pracetak yang diterbitkan di Arxiv, penyelidik dari Universiti Harvard, Universiti California, Berkeley, dan Israel A joint pasukan dari Universiti Burei telah mengambil langkah besar ke arah mengesahkan kesimpulan ini.

Mereka menunjukkan bahawa pembetulan ralat yang disasarkan adalah syarat yang diperlukan untuk keunggulan kuantum yang tahan lama dalam persampelan litar rawak, menyokong kesimpulan penyelidikan Google beberapa tahun yang lalu. Di bawah tahap pembetulan ralat kuantum semasa, hegemoni kuantum sebenarnya tidak wujud.

Tiada lagi "zon emas" untuk ketuanan kuantum

Penyelidik telah membangunkan Algoritma klasik yang boleh mensimulasikan eksperimen persampelan litar rawak apabila ralat wujud untuk membuktikan kesimpulan ini.

Bermula daripada tatasusunan qubit, qubit ini dimanipulasi secara rawak menggunakan operasi yang dipanggil "gerbang kuantum." Sesetengah gerbang kuantum menyebabkan sepasang qubit terjerat, bermakna mereka berkongsi keadaan kuantum yang tidak boleh diterangkan secara individu.

Menetapkan get kuantum ini berulang kali dalam litar berbilang lapisan boleh membenarkan qubit memasuki keadaan terjerat yang lebih kompleks.

Penyelidikan baharu daripada Stanford dan Berkeley menggulingkan ketuanan kuantum Google! Cantik dalam teori, tetapi tidak berguna dalam amalan

Gambar kiri menunjukkan pensampelan litar rawak di bawah keadaan ideal, dan gambar kanan menunjukkan pensampelan litar rawak termasuk gangguan

Dalam susunan untuk memahami keadaan kuantum ini, para penyelidik mengukur semua qubit dalam tatasusunan. Tingkah laku ini menyebabkan keadaan kuantum kolektif semua qubit runtuh menjadi rentetan rawak bit biasa, iaitu 0s dan 1s.

Bilangan hasil yang mungkin berkembang pesat dengan bilangan qubit dalam tatasusunan. Dalam percubaan Google 2019, 53 qubit mengandungi hampir 10 trilion hasil.

Selain itu, kaedah ini memerlukan pengukuran berulang daripada litar rawak berkali-kali untuk membina peta taburan kebarangkalian keputusan.

Persoalan tentang ketuanan kuantum ialah, adakah sukar atau mustahil untuk meniru taburan kebarangkalian ini dengan algoritma klasik yang tidak menggunakan sebarang kekusutan?

Pada 2019, penyelidik Google membuktikan bahawa matlamat ini sukar untuk litar kuantum bebas ralat yang tidak menghasilkan ralat. Memang sukar untuk mensimulasikan eksperimen persampelan litar rawak menggunakan algoritma klasik tanpa ralat.

Dari perspektif kerumitan pengiraan, apabila bilangan qubit meningkat, kerumitan pengiraan algoritma pengelasan tradisional meningkat secara eksponen, manakala kerumitan pengiraan algoritma kuantum meningkat secara polinomial.

Apabila n meningkat cukup besar, algoritma yang eksponen dalam n ketinggalan jauh di belakang mana-mana algoritma yang polinomial dalam n.

Inilah perbezaan yang kita maksudkan apabila kita bercakap tentang masalah yang sukar untuk komputer klasik tetapi mudah untuk komputer kuantum. Algoritma klasik terbaik mengambil masa eksponen, manakala komputer kuantum boleh menyelesaikan masalah dalam masa polinomial.

Walau bagaimanapun, kertas 2019 tidak mempertimbangkan kesan ralat yang disebabkan oleh gerbang kuantum yang tidak sempurna, dan kesimpulan penyelidikan sebenarnya meninggalkan lubang, iaitu rawak tanpa pembetulan ralat Bolehkah ketuanan kuantum dicapai melalui persampelan litar?

Malah, jika anda mempertimbangkan ralat terkumpul yang dijana dalam jalinan kuantum, kesukaran untuk mensimulasikan eksperimen persampelan litar rawak dengan algoritma klasik akan dikurangkan dengan banyaknya. Dan jika kerumitan pengiraan simulasi algoritma klasik dikurangkan kepada tahap polinomial yang sama seperti algoritma kuantum, hegemoni kuantum tidak akan wujud lagi.

Kertas baharu ini menunjukkan bahawa dengan mengandaikan kedalaman litar dikekalkan malar, katakanlah 3 lapisan yang sangat cetek, apabila bilangan qubit bertambah, tidak akan ada terlalu banyak keterikatan kuantum, Keluaran masih tersedia untuk simulasi klasik.

Sebaliknya, jika kedalaman litar ditingkatkan untuk mengikuti peningkatan bilangan qubit, maka kesan kumulatif ralat get kuantum akan mencairkan kerumitan yang disebabkan oleh kekusutan, simulasi dengan algoritma klasik Mengeksport masih akan menjadi lebih mudah.

Terdapat "zon emas" di antara kedua-duanya, iaitu tingkap di mana hegemoni kuantum boleh terus bertahan, iaitu julat di mana simulasi algoritma tradisional tidak dapat bersaing dengannya. keterikatan kuantum.

Sebelum penerbitan karya ini, walaupun bilangan qubit meningkat, ketuanan kuantum masih wujud apabila bilangan qubit mencapai julat pertengahan tertentu.

Pada kedalaman litar ini, sukar untuk mensimulasikan algoritma klasik pada setiap langkah, walaupun output semakin merosot disebabkan oleh ralat algoritma kuantum.

Kertas baharu ini hampir menghapuskan "zon emas" ini.

Kertas ini memperoleh algoritma klasik untuk mensimulasikan pensampelan litar rawak dan membuktikan bahawa masa berjalannya ialah fungsi polinomial bagi masa yang diperlukan untuk menjalankan eksperimen kuantum yang sepadan , bukannya fungsi eksponen.

Hasil ini mewujudkan hubungan teori yang rapat antara kelajuan kaedah klasik persampelan litar rawak dan kaedah kuantum, iaitu, ia mengisytiharkan bahawa hegemoni kuantum telah dicapai dalam teori dan dalam amalan itu hampir tidak wujud.

Sebab mengapa saya mengatakan "hampir" adalah kerana andaian asas algoritma baharu adalah tidak sah untuk sesetengah litar cetek, meninggalkan "jurang kecil" yang tidak diketahui.

Walau bagaimanapun, beberapa penyelidik masih menaruh harapan untuk mencapai ketuanan kuantum dalam jurang ini. Malah Bill Fefferman, seorang saintis komputer di Universiti Chicago dan salah seorang pengarang kertas kerja Google 2019, berkata: "Saya rasa peluangnya agak kecil."

Boleh dikatakan mengikut piawaian ketat teori kerumitan pengiraan, pensampelan litar rawak tidak akan lagi menghasilkan ketuanan kuantum.

Selain itu, berdepan dengan kesimpulan ini, semua penyelidik bersetuju tentang betapa kritikalnya pembetulan ralat kuantum kepada kejayaan jangka panjang pengkomputeran kuantum. Fefferman berkata: "Pada akhirnya, kami mendapati bahawa pembetulan ralat kuantum adalah penyelesaiannya."

Atas ialah kandungan terperinci Penyelidikan baharu daripada Stanford dan Berkeley menggulingkan 'ketuanan kuantum' Google! Cantik dalam teori, tetapi tidak berguna dalam amalan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
1 bulan yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Tetapan grafik terbaik
1 bulan yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Akan R.E.P.O. Ada Crossplay?
1 bulan yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Menyelam mendalam ke dalam model, data dan rangka kerja: tinjauan menyeluruh 54 halaman model bahasa besar yang cekap Menyelam mendalam ke dalam model, data dan rangka kerja: tinjauan menyeluruh 54 halaman model bahasa besar yang cekap Jan 14, 2024 pm 07:48 PM

Model bahasa berskala besar (LLM) telah menunjukkan keupayaan yang menarik dalam banyak tugas penting, termasuk pemahaman bahasa semula jadi, penjanaan bahasa dan penaakulan yang kompleks, dan telah memberi kesan yang mendalam kepada masyarakat. Walau bagaimanapun, keupayaan cemerlang ini memerlukan sumber latihan yang ketara (ditunjukkan di sebelah kiri) dan masa inferens yang panjang (ditunjukkan di sebelah kanan). Oleh itu, penyelidik perlu membangunkan cara teknikal yang berkesan untuk menyelesaikan masalah kecekapan mereka. Di samping itu, seperti yang dapat dilihat dari sebelah kanan rajah, beberapa LLM (Model Bahasa) yang cekap seperti Mistral-7B telah berjaya digunakan dalam reka bentuk dan penggunaan LLM. LLM yang cekap ini boleh mengurangkan memori inferens dengan ketara sambil mengekalkan ketepatan yang serupa dengan LLaMA1-33B

Menghancurkan H100, GPU generasi seterusnya Nvidia didedahkan! Reka bentuk modul berbilang cip 3nm pertama, diperkenalkan pada 2024 Menghancurkan H100, GPU generasi seterusnya Nvidia didedahkan! Reka bentuk modul berbilang cip 3nm pertama, diperkenalkan pada 2024 Sep 30, 2023 pm 12:49 PM

Proses 3nm, prestasi melepasi H100! Baru-baru ini, media asing DigiTimes mengumumkan bahawa Nvidia sedang membangunkan GPU generasi akan datang, B100, dengan nama kod "Blackwell" Dikatakan bahawa sebagai produk untuk aplikasi kecerdasan buatan (AI) dan pengkomputeran berprestasi tinggi (HPC). , B100 akan menggunakan proses proses 3nm TSMC, serta reka bentuk modul berbilang cip (MCM) yang lebih kompleks, dan akan muncul pada suku keempat 2024. Bagi Nvidia, yang memonopoli lebih daripada 80% pasaran GPU kecerdasan buatan, ia boleh menggunakan B100 untuk menyerang semasa seterika panas dan seterusnya menyerang pencabar seperti AMD dan Intel dalam gelombang penggunaan AI ini. Menurut anggaran NVIDIA, menjelang 2027, nilai output medan ini dijangka mencapai lebih kurang

Gabungan hebat model penyebaran + resolusi super, teknologi di sebalik penjana imej Google Imagen Gabungan hebat model penyebaran + resolusi super, teknologi di sebalik penjana imej Google Imagen Apr 10, 2023 am 10:21 AM

Dalam beberapa tahun kebelakangan ini, pembelajaran multimodal telah mendapat banyak perhatian, terutamanya dalam dua arah sintesis teks-imej dan pembelajaran kontrastif imej-teks. Sesetengah model AI telah menarik perhatian umum kerana aplikasinya dalam penjanaan dan penyuntingan imej kreatif, seperti model imej teks DALL・E dan DALL-E 2 yang dilancarkan oleh OpenAI, dan GauGAN dan GauGAN2 NVIDIA. Tidak ketinggalan, Google mengeluarkan model teks-ke-imej sendiri Imagen pada penghujung Mei, yang nampaknya memperluaskan lagi sempadan penjanaan imej bersyarat kapsyen. Memandangkan hanya perihalan adegan, Imagen boleh menghasilkan kualiti tinggi, resolusi tinggi

Semakan paling komprehensif tentang model besar multimodal ada di sini! 7 penyelidik Microsoft bekerjasama bersungguh-sungguh, 5 tema utama, 119 halaman dokumen Semakan paling komprehensif tentang model besar multimodal ada di sini! 7 penyelidik Microsoft bekerjasama bersungguh-sungguh, 5 tema utama, 119 halaman dokumen Sep 25, 2023 pm 04:49 PM

Kajian yang paling komprehensif tentang model besar berbilang mod ada di sini! Ditulis oleh 7 penyelidik Cina di Microsoft, ia mempunyai 119 halaman - ia bermula daripada dua jenis arahan penyelidikan model besar berbilang modal yang telah selesai dan masih berada di barisan hadapan, dan meringkaskan secara komprehensif lima topik penyelidikan khusus: pemahaman visual dan penjanaan visual Ejen berbilang modal model besar berbilang modal yang disokong oleh model visual bersatu LLM memfokuskan pada fenomena: model asas berbilang modal telah beralih daripada khusus kepada universal. Ps. Inilah sebabnya penulis melukis secara langsung imej Doraemon pada permulaan kertas. Siapa yang patut membaca ulasan (laporan) ini? Dalam kata-kata asal Microsoft: Selagi anda berminat untuk mempelajari pengetahuan asas dan kemajuan terkini model asas pelbagai mod, sama ada anda seorang penyelidik profesional atau pelajar, kandungan ini sangat sesuai untuk anda berkumpul.

Penyelidikan baharu mendedahkan potensi kuantum Monte Carlo untuk mengatasi rangkaian saraf dalam menerobos batasan, dan sub-isu Alam memperincikan kemajuan terkini Penyelidikan baharu mendedahkan potensi kuantum Monte Carlo untuk mengatasi rangkaian saraf dalam menerobos batasan, dan sub-isu Alam memperincikan kemajuan terkini Apr 24, 2023 pm 09:16 PM

Selepas empat bulan, satu lagi kerja kerjasama antara ByteDance Research dan kumpulan penyelidikan Chen Ji di Sekolah Fizik di Universiti Peking telah diterbitkan dalam jurnal antarabangsa terkemuka Nature Communications: kertas kerja "Menuju keadaan dasar molekul melalui resapan rangkaian saraf Monte Carlo" menggabungkan rangkaian saraf dengan kaedah resapan Monte Carlo, meningkatkan penggunaan kaedah rangkaian saraf dalam kimia kuantum Ketepatan pengiraan, kecekapan dan skala sistem pada tugas yang berkaitan telah menjadi SOTA terkini. Pautan kertas: https://www.nature.com

Penyesuai I2V daripada komuniti SD: tiada konfigurasi diperlukan, pasang dan main, serasi sempurna dengan pemalam video Tusheng Penyesuai I2V daripada komuniti SD: tiada konfigurasi diperlukan, pasang dan main, serasi sempurna dengan pemalam video Tusheng Jan 15, 2024 pm 07:48 PM

Tugas penjanaan imej-ke-video (I2V) merupakan satu cabaran dalam bidang penglihatan komputer yang bertujuan untuk menukar imej statik kepada video dinamik. Kesukaran tugas ini adalah untuk mengekstrak dan menjana maklumat dinamik dalam dimensi temporal daripada imej tunggal sambil mengekalkan keaslian dan keselarasan visual kandungan imej. Kaedah I2V sedia ada selalunya memerlukan seni bina model yang kompleks dan sejumlah besar data latihan untuk mencapai matlamat ini. Baru-baru ini, hasil penyelidikan baharu "I2V-Adapter: AGeneralImage-to-VideoAdapter for VideoDiffusionModels" yang diketuai oleh Kuaishou telah dikeluarkan. Kajian ini memperkenalkan kaedah penukaran imej-ke-video yang inovatif dan mencadangkan modul penyesuai ringan, i.e.

Kertas skor sempurna VPR 2024! Meta mencadangkan EfficientSAM: cepat belah semuanya! Kertas skor sempurna VPR 2024! Meta mencadangkan EfficientSAM: cepat belah semuanya! Mar 02, 2024 am 10:10 AM

Kerja EfficientSAM ini telah dimasukkan ke dalam CVPR2024 dengan skor sempurna 5/5/5! Penulis berkongsi hasilnya di media sosial, seperti yang ditunjukkan dalam gambar di bawah: Pemenang Anugerah LeCun Turing juga sangat mengesyorkan karya ini! Dalam penyelidikan baru-baru ini, penyelidik Meta telah mencadangkan kaedah baharu yang dipertingkatkan, iaitu pra-latihan imej topeng (SAMI) menggunakan SAM. Kaedah ini menggabungkan teknologi pra-latihan MAE dan model SAM untuk mencapai pengekod ViT pra-latihan berkualiti tinggi. Melalui SAMI, penyelidik cuba meningkatkan prestasi dan kecekapan model dan menyediakan penyelesaian yang lebih baik untuk tugas penglihatan. Cadangan kaedah ini membawa idea dan peluang baharu untuk meneroka dan mengembangkan lagi bidang visi komputer dan pembelajaran mendalam. dengan menggabungkan berbeza

Hadiah Boltzmann 2022 diumumkan: Pengasas Hopfield Network memenangi anugerah Hadiah Boltzmann 2022 diumumkan: Pengasas Hopfield Network memenangi anugerah Aug 13, 2023 pm 08:49 PM

Dua saintis yang telah memenangi Hadiah Boltzmann 2022 telah diumumkan Anugerah ini ditubuhkan oleh Jawatankuasa IUPAP mengenai Fizik Statistik (C3) untuk mengiktiraf para penyelidik yang telah mencapai pencapaian cemerlang dalam bidang fizik statistik. Pemenang mestilah seorang saintis yang belum pernah memenangi Hadiah Boltzmann atau Hadiah Nobel. Anugerah ini bermula pada tahun 1975 dan dianugerahkan setiap tiga tahun untuk memperingati Ludwig Boltzmann, pengasas fizik statistik Deepak Dharistheoriginalstatement. model kritikal, pertumbuhan antara muka, gangguan

See all articles