


Menggunakan teknologi pengkomputeran kuantum untuk memerangi perubahan iklim global: peluang dan cabaran
Pengkomputeran kuantum merujuk kepada bentuk pengkomputeran baharu berdasarkan fizik kuantum. Ia berjanji untuk mengungguli komputer tradisional dalam memproses data dan mengoptimumkannya. Teknologi ini mempunyai aplikasi alam sekitar yang luas, termasuk meningkatkan prestasi tenaga dan mengoptimumkan perancangan bandar.
Apakah pengkomputeran kuantum?
Komputer klasik yang digunakan dalam kehidupan seharian kita bermanfaat untuk pembangunan umat manusia. Walau bagaimanapun, ia perlahan-lahan digantikan oleh mesin yang semakin canggih.
Satu masalah yang tidak dapat diselesaikan oleh komputer klasik ialah pengoptimuman. Sebagai contoh, berapa banyak kemungkinan kombinasi yang ada untuk mengkonfigurasi tempat duduk untuk 10 orang di sekeliling meja? Jawapannya adalah bersamaan dengan kira-kira 3.6 juta kombinasi. Apabila bilangan kerusi bertambah, bilangan kombinasi yang mungkin meningkat secara eksponen. Untuk mencari susunan tempat duduk yang terbaik, kami terlebih dahulu memerlukan senarai kriteria yang menentukan susunan terbaik. Walau bagaimanapun, bahagian yang paling banyak usaha dan memakan masa ialah komputer klasik perlu mensimulasikan setiap kombinasi untuk menjana keputusan. Bergantung pada saiz data, komputer klasik boleh mengambil masa yang lama untuk menjana hasil. Walau bagaimanapun, komputer kuantum mempunyai potensi untuk menyelesaikan masalah dalam beberapa minit.
Unit asas maklumat dalam komputer klasik dipanggil digit binari, juga biasa dipanggil "bit". Satu bit ialah "1" atau "0". Jika terdapat dua bit berturut-turut, terdapat empat kemungkinan kombinasi - 00, 01, 10 dan 11. Oleh itu, komputer klasik perlu mensimulasikan empat kali untuk menghasilkan keputusan.
Sebaliknya, unit asas maklumat dalam komputer kuantum dipanggil "qubit". Qubit bukanlah "1" mahupun "0". Sebaliknya, ia wujud dalam superposisi "1" dan "0s". Dalam erti kata lain, ia adalah "1" dan "0" pada masa yang sama. Oleh itu, dua qubit berturut-turut berada dalam superposisi empat keadaan—00, 01, 10, dan 11. Mengapa ia revolusioner? Berada dalam superposisi semua negeri menunjukkan bahawa, secara teori, komputer kuantum hanya perlu mensimulasikan sekali untuk menjana hasil. Cari susunan 10 tempat duduk terbaik di antara lebih daripada 3.6 juta kombinasi dalam beberapa percubaan sahaja.
Apakah hubungan antara pengkomputeran kuantum dan perlindungan alam sekitar?
Pengkomputeran kuantum boleh digunakan di mana-mana kawasan yang memerlukan pengoptimuman; ia boleh tentang meningkatkan prestasi tenaga atau boleh juga mengenai membangunkan bandar pintar yang meminimumkan penggunaan tenaga.
Salah satu contoh ialah masalah tugasan kuadratik (QAP), masalah matematik yang berprestasi buruk oleh komputer klasik. Katakan terdapat n kemudahan dan n lokasi, dan anda perlu mengkonfigurasi kemudahan di setiap lokasi untuk meminimumkan penggunaan tenaga. Secara logiknya, jika kita perlu mengangkut sejumlah besar kargo antara dua kemudahan dengan kerap, kita mahu meletakkannya lebih dekat, dan sebaliknya.
Satu kajian membandingkan prestasi komputer kuantum dan klasik dalam menyelesaikan masalah tugasan kuadratik dengan menyediakan data daripada 20 kemudahan dan lokasi. Akibatnya, komputer kuantum menghasilkan jawapan yang tepat dalam kira-kira 700 saat, manakala komputer klasik gagal memenuhi had masa 12 jam. Penyelidikan ini menunjukkan potensi besar pengkomputeran kuantum dalam mengoptimumkan perancangan bandar untuk meminimumkan penggunaan tenaga.
Selain kefungsiannya, pengkomputeran kuantum itu sendiri juga merupakan teknologi mesra alam. Menurut kajian yang diterbitkan bersama oleh NASA, Google dan Oak Ridge National Laboratory, komputer kuantum hanya memerlukan 0.002% daripada tenaga yang digunakan oleh komputer klasik untuk melaksanakan tugas yang sama. Tenaga yang digunakan oleh komputer adalah besar; tidak termasuk tenaga yang digunakan oleh komputer dan telefon pintar orang biasa, pusat data sendiri sudah menyumbang lebih daripada 1% tenaga elektrik global. Jika data boleh disimpan dalam bentuk qubit, kita boleh menjimatkan banyak tenaga.
Cabaran semasa yang dihadapi pengkomputeran kuantum
Komputer kuantum paling berkuasa di dunia kini dibangunkan oleh International Business Machines Corporation (IBM) dengan kapasiti 127 qubit " Eagle ”. Walau bagaimanapun, saintis percaya bahawa jika komputer kuantum tidak mempunyai kapasiti sekurang-kurangnya 1,000 qubit, mereka tidak akan mempunyai kegunaan komersial. Perkembangan komputer kuantum yang perlahan sebahagian besarnya disebabkan oleh kesukaran teknikal untuk membinanya.
Para saintis diminta untuk memanipulasi zarah sekecil elektron untuk mencipta qubit. Elektron perlu mengekalkan koheren, yang bermaksud keadaan di mana gelombang elektron boleh mengganggu satu sama lain secara koheren. Walau bagaimanapun, elektron sangat sensitif kepada persekitaran luaran, seperti bunyi dan suhu. Oleh itu, fabrikasi qubit biasanya dilakukan dalam persekitaran terpencil yang beroperasi hampir sifar mutlak. Memandangkan atom bergerak pada keadaan tenaga terendahnya, iaitu sifar mutlak, mengekalkan elektron pada suhu ini membantu mereka kekal stabil dan kurang terjejas oleh persekitaran luar. Ini adalah satu cara untuk mengurangkan berlakunya dekoheren. Walau bagaimanapun, apabila penyahpaduan berlaku, kita masih tidak mempunyai cara yang jelas untuk membetulkannya kerana gangguan luar boleh memusnahkan baki koheren elektron lain.
Walaupun pengkomputeran kuantum masih dalam peringkat pembangunannya, kami telah melihat kemajuan yang luar biasa dalam bidang ini sejak penubuhannya sebagai teori pada tahun 1980-an. Pengkomputeran kuantum boleh menjadi kemajuan terbesar manusia seterusnya, daripada menjejaki data molekul dalam tubuh manusia yang tidak dapat dicapai oleh komputer tradisional kepada membangunkan ubat untuk merawat pelbagai penyakit yang tidak boleh diubati, kepada mengoptimumkan kecekapan tenaga bandar, negara, dan juga dunia.
Atas ialah kandungan terperinci Menggunakan teknologi pengkomputeran kuantum untuk memerangi perubahan iklim global: peluang dan cabaran. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
