Apakah hubungan antara pengkomputeran kuantum dan kecerdasan buatan?
Selepas beberapa dekad penyelidikan, kecerdasan buatan (AI) menjadi salah satu trend industri utama. Daripada perbualan dengan Alexa dan Siri, kepada kereta pandu sendiri Waymo dan Tesla, prosa penulisan GPT-3 OpenAI seperti manusia, dan AlphaZero DeepMind mengalahkan grandmaster Go manusia, kecerdasan buatan kini sudah cukup matang. Menyelesaikan masalah kehidupan sebenar, selalunya lebih cepat dan lebih baik daripada manusia.
Di tempat lain dalam industri teknologi, sesetengah orang berwawasan sedang berusaha keras untuk membangunkan komputer kuantum, yang cuba mengeksploitasi sifat fizik kuantum untuk melakukan pengiraan lebih pantas daripada komputer hari ini.
Pada ketika ini, ramai yang mungkin tertanya-tanya: apakah sebenarnya kaitan pengkomputeran kuantum dengan kecerdasan buatan
Kerumitan algoritma ialah musuh tersembunyi
Kerumitan algoritma agak A? konsep matematik yang tidak jelas yang menghubungkan kerja yang dilakukan oleh penyelidik AI dan perintis pengkomputeran kuantum.
Teori kerumitan pengiraan ialah bidang yang merangkumi matematik dan sains komputer yang memfokuskan pada mengklasifikasikan masalah pengiraan berdasarkan penggunaan sumber, seperti ruang (memori) dan masa. Pada asasnya, masalah pengiraan ialah tugas yang boleh diselesaikan secara mekanikal oleh komputer, mengikut langkah matematik yang ditakrifkan dalam algoritma.
Sebagai contoh, pertimbangkan masalah mengisih nombor dalam senarai. Satu algoritma yang mungkin, dipanggil "isihan pilihan", terdiri daripada mencari berulang kali elemen terkecil (dalam susunan menaik) daripada bahagian senarai yang tidak diisih (pada mulanya semua) dan meletakkannya pada permulaan. Algoritma dengan berkesan mengekalkan dua subsenarai senarai asal semasa ia berjalan: bahagian yang telah diisih dan bahagian yang tidak diisih yang tinggal. Selepas proses ini melalui beberapa kali, hasilnya ialah senarai yang diisih dari terkecil hingga terbesar. Dari segi kerumitan masa, ini diwakili oleh kerumitan N 2, di mana N mewakili saiz atau bilangan elemen dalam senarai. Ahli matematik telah mencadangkan algoritma pengisihan yang lebih cekap tetapi lebih kompleks seperti "Isih Kubus" atau "Isih Tim", yang kedua-duanya mempunyai kerumitan N x log(N). Menyusun senarai 100 elemen adalah tugas yang mudah untuk komputer hari ini, tetapi menyusun senarai satu bilion rekod mungkin tidak semudah itu. Oleh itu, kerumitan masa (atau bilangan langkah dalam algoritma berbanding saiz masalah input) adalah sangat penting.
Untuk menyelesaikan masalah dengan lebih pantas, anda boleh menggunakan komputer yang lebih pantas atau mencari algoritma yang lebih cekap yang memerlukan operasi yang lebih sedikit, iaitu kerumitan masa yang lebih rendah. Walau bagaimanapun, adalah jelas bahawa untuk masalah kerumitan eksponen (cth. N 2 atau 2 N) matematik berfungsi melawan anda, dan untuk saiz masalah yang lebih besar hanya menggunakan komputer yang lebih pantas adalah tidak praktikal. Dan ini adalah tepat dalam bidang kecerdasan buatan.
Kecerdasan buatan ialah masalah yang sangat kompleks untuk diselesaikan
Pertama, kita akan melihat kerumitan pengiraan rangkaian saraf tiruan yang digunakan dalam sistem kecerdasan buatan (AI) hari ini. Model matematik ini diilhamkan oleh rangkaian saraf biologi yang membentuk otak haiwan. Mereka "belajar" untuk mengenali atau mengklasifikasikan data input dengan melihat banyak contoh. Ia adalah koleksi nod atau neuron yang saling berkaitan, digabungkan dengan fungsi pengaktifan yang menentukan output berdasarkan data yang dibentangkan dalam "lapisan input" dan pemberat dalam interkoneksi.
Untuk melaraskan pemberat dalam interkoneksi supaya "output" berguna atau betul, ia boleh "dilatih" dengan mendedahkannya kepada banyak contoh data dan " backpropagating" rangkaian kehilangan output.
Untuk rangkaian saraf dengan input N dan lapisan tersembunyi M, di mana lapisan tersembunyi ke-i mengandungi neuron tersembunyi dan k neuron keluaran, algoritma untuk melaraskan berat semua neuron (dipanggil algoritma perambatan songsang) akan mempunyai kerumitan masa: Prosa, dengan 175 bilion parameter (atau neuron). Dengan berbilion M, model AI ini pada masa ini mengambil masa berbulan-bulan untuk dilatih, malah menggunakan komputer pelayan yang berkuasa di pusat data awan yang besar. Selain itu, model AI akan terus berkembang dari segi saiz, jadi keadaan akan menjadi lebih buruk dari semasa ke semasa.
Pengkomputeran kuantum untuk menyelamatkan?
Komputer klasik menghantar maklumat dalam bit (singkatan untuk "digit binari"), manakala komputer kuantum menggunakan qubit (singkatan untuk "qubits"). Seperti bit klasik, qubit mesti menghantar maklumat dalam bentuk sama ada 1 atau 0, tetapi apa yang istimewa ialah ia boleh mewakili kedua-dua 1 dan 0 pada masa yang sama. Qubit dikatakan mempunyai taburan kebarangkalian sehingga ia mempunyai peluang 70% untuk menjadi 1 dan peluang 30% untuk menjadi 0. Inilah yang menjadikan komputer kuantum begitu istimewa.
Komputer kuantum memanfaatkan dua sifat asas dalam mekanik kuantum: superposisi dan kekusutan.
Apabila qubit ialah 1 dan 0 pada masa yang sama, ia dikatakan berada dalam keadaan superposisi. Superposisi ialah istilah umum untuk keadaan apabila sistem berada dalam berbilang keadaan secara serentak dan hanya satu keadaan diandaikan pada masa pengukuran. Jika kita mengandaikan bahawa syiling ialah objek kuantum, maka apabila syiling dibalikkan, superposisi terhasil: syiling hanya mempunyai kebarangkalian kepala atau ekor. Sebaik sahaja syiling mencecah tanah dan kami mengukurnya, kami tahu sama ada syiling itu adalah kepala atau ekor. Begitu juga, hanya apabila kita mengukur putaran elektron (serupa dengan syiling yang jatuh ke tanah) barulah kita tahu keadaan elektron itu dan sama ada ia adalah 1 atau 0.
Superposisi zarah kuantum hanya berguna jika kita mempunyai berbilang zarah. Ini membawa kita kepada prinsip asas kedua mekanik kuantum: keterikatan. Dua (atau lebih) zarah terikat tidak boleh diterangkan secara individu; sifatnya bergantung sepenuhnya antara satu sama lain. Oleh itu, qubit yang terjerat boleh mempengaruhi satu sama lain. Taburan kebarangkalian satu qubit (satu atau sifar) bergantung pada taburan kebarangkalian semua qubit lain dalam sistem.
Disebabkan ini, setiap qubit baharu yang ditambahkan pada sistem menggandakan bilangan keadaan yang boleh dianalisis oleh komputer. Peningkatan eksponen dalam kuasa komputer ini berbeza dengan pengkomputeran klasik, yang berskala hanya secara linear dengan setiap bit baharu.
Secara teorinya, qubit terjerat boleh melakukan berbilion-bilion operasi secara serentak. Jelas sekali bahawa keupayaan ini akan memberikan pecutan yang ketara untuk sebarang algoritma dengan kerumitan dalam julat N2, 2N, atau N.
Bersedia untuk kecerdasan buatan dipacu kuantum
Disebabkan potensi besar pengkomputeran kuantum, sementara pasukan perkakasan terus berusaha untuk menjadikan sistem ini satu realiti (yang terbesar setakat ini ialah IBM 127- sistem Qubit Eagle), tetapi penyelidik perisian sedang mengusahakan algoritma baharu yang boleh memanfaatkan keupayaan "pengkomputeran serentak" ini, dalam bidang seperti kriptografi, kimia, sains bahan, pengoptimuman sistem dan pembelajaran mesin/kepintaran buatan. Adalah dipercayai bahawa algoritma kuantum berfaktor Shor akan memberikan percepatan eksponen berbanding komputer klasik, yang menimbulkan risiko kepada algoritma kriptografi semasa.
Paling menarik, adalah dipercayai bahawa algebra linear kuantum akan memberikan pecutan polinomial, yang akan meningkatkan prestasi rangkaian saraf tiruan kami. Google telah melancarkan TensorFlow Quantum, rangka kerja perisian untuk pembelajaran mesin kuantum yang membolehkan prototaip pantas model pembelajaran mesin kuantum klasik hibrid. Juga peneraju dalam pengkomputeran kuantum, IBM baru-baru ini mengumumkan bahawa ia telah menemui "bukti matematik" keunggulan kuantum untuk pembelajaran mesin kuantum Walau bagaimanapun, sementara syarikat seperti IBM dan Google disepadukan secara menegak (dan dengan itu membangunkan sistem perkakasan dan algoritma perisian secara serentak), tetapi. terdapat juga sekumpulan permulaan perisian kuantum yang sangat menarik, termasuk Zapata, Riverlane, 1Qbit, dan sedikit sebanyak, Quantinuum (yang bukan lagi syarikat perisian tulen sejak Cambridge Quantum Computing bergabung dengan Honeywell dan menukar namanya), hanya Untuk memberikan beberapa contoh.
Memandangkan perkakasan kuantum menjadi lebih berkuasa dan algoritma pembelajaran mesin kuantum diperhalusi, pengkomputeran kuantum berkemungkinan menguasai sebahagian besar pasaran cip AI.
Atas ialah kandungan terperinci Apakah hubungan antara pengkomputeran kuantum dan kecerdasan buatan?. 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

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

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

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

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 |. 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 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
