The post Ar konceptualus smegenų mokslas patobulins kvantinį skaičiavimą? appeared first on PAPILDAI24.LT.
]]>Autorius Davidas Stephenas
Yra naujas (2025 m. gruodžio 2 d.) straipsnis Gamtoje, Dirbtinis intelektas kvantiniam skaičiavimui, kuriame teigiama, kad „Kvantinė kompiuterija (QC) gali turėti įtakos visoms mokslo ir pramonės sritims, tačiau darosi vis aiškiau, kad šio pažado įvykdymas priklauso nuo glaudaus gedimams atsparios programinės įrangos integravimo su quantum computing ir quantum computerac. kvantiniai superkompiuteriai“.
„Tačiau aparatinės įrangos perkėlimas iš triukšmingų vidutinio masto kvantinių (NISQ) įrenginių prie gedimams atsparių kvantinių skaičiavimų (FTQC) susiduria su daugybe iššūkių. Nors neseniai buvo atlikta kvantinių klaidų taisymo (QEC) demonstracijų, visi populiarūs qubit modalumai kenčia nuo aparatinės įrangos triukšmo, neleidžiančių atlikti sudėtingų operacijų, kurių reikia atlikti.”
„Nors didelio našumo skaičiavimas (HPC), ypač pagreitintas GPU skaičiavimas, jau skatina kokybės kontrolės tyrimus per grandinės ir aparatinės įrangos modeliavimą, generatyvaus dirbtinio intelekto (AI) paradigmų augimas tik prasidėjo.
„Nepaisant didelio AI pažado, labai svarbu pripažinti jo apribojimus, kai taikomas QC. AI, kaip iš esmės klasikinė paradigma, negali efektyviai imituoti kvantinių sistemų bendruoju atveju dėl eksponentinių mastelio apribojimų, kuriuos nustato kvantinės mechanikos dėsniai. Klasikinis kvantinės kompiuterinės atminties sąnaudų ir sąnaudų augimo modeliavimas kenčia.”
„Didžiausiais potėpiais giliųjų neuroninių tinklų (DNN) taikomąsias programas galime suskirstyti į diskriminacines ir generatyvines. Pirmoji siekia išmokti sąlyginį y vertės vektoriaus P(y?x) pasiskirstymą, esant ypatybės vektoriui x, o antroji siekia bendro tikimybių skirstinio P(x, y).
„Labai svarbu mokyti visus šiuos giluminio mokymosi metodus yra aukštos kokybės duomenys. QC atveju šie duomenys dažnai turi būti gauti modeliuojant superkompiuteriais dėl kvantinių kompiuterių triukšmo ir masto apribojimų, taip pat dėl kvantinių duomenų gavimo išlaidų (laiko ir ekonominių).
„AI kvantinio kompiuterio kūrimui ir projektavimui. Įrenginių projektavimas. Mokymosi kvantinių sistemų modeliai. AI išankstiniam apdorojimui. Kvantinės grandinės kompiliavimas. Vienetinė sintezė. AI grandinės optimizavimui. AI modeliai kompaktinėms grandinėms generuoti. AI įrenginių valdymui ir optimizavimui. Optimalios dinamikos projektavimas. Nepageidaujamos dinamikos pašalinimas. AI klaidų taisymas. Kvalifikacinio apdorojimo AI. Stebimi įvertinimo ir tomografijos metodai.
„Svarbiausia, kad kiekvienas kokybės kontrolės aspektas turi būti keičiamas, o AI gali būti vienintelė priemonė, galinti veiksmingai išspręsti šias problemas ir tai daryti efektyviai.
AI
Paprastas būdas apibūdinti AI yra technologija, kuri nukopijavo tai, kas veikia: smegenis. Arba paprasčiausiai AI yra technologija, kuri pažvelgė į geriausią intelekto atvejį gamtoje, žmogaus smegenyse, ir imitavo jį matematiškai įmanomais būdais.
Be to, dideli kalbos modeliai (LLM) nukopijavo pagrindinį intelekto pagrindą, kalbą. Nors intelektą galima valdyti ir kitais būdais, kalba yra svarbiausia – žmogaus intelektui – mąstant, klausytis, rašyti, skaityti, dainuoti, pasirašyti, kalbėti ir pan.
Taigi dirbtinis intelektas yra toks pat geras, koks yra, tiesiogiai sekdamas smegenų pavyzdžiu.
Jei tai padarė DI svarbesnį nei bet kuri kada nors buvusi technologija, ką turėtų daryti bet kuri kita siekiamybė technologija? Nukopijuoti imitaciją, AI, ar nukopijuoti šaltinį, žmogaus smegenis?
Kvantinė kompiuterija
Kvantiniame skaičiavime yra keletas inžinerinių spragų, kur esminių atsakymų reikėtų ieškoti smegenyse.
Nors dirbtinis intelektas šiuo metu gali būti naudingas keliems tobulinimo atvejams, smegenys turėtų būti agresyviai ištirtos (teoriškai) sritims, kurios gali nustatyti, kaip sukurti naujus kvantinio skaičiavimo būdus, taip pat kai kurias kitas reikalingas sritis, pavyzdžiui, stabilumą, klaidų taisymą, kompaktiškumą ir pan.
AI paėmė signalus iš neuronų. Kvantinė kompiuterija gali žiūrėti į elektrinius ir cheminius signalus. Toks, kad, kadangi tikslas yra tobulinti kvantinį skaičiavimą, būtų galima sukurti įvairias elektrinių ir cheminių signalų prielaidas taip, kad būtų išvengta kvantinio skaičiavimo iššūkių.
Pavyzdžiui, kaip smegenys ištaiso tai, kas vadinama prognozavimo klaida. Dažnai sakoma, kad naudojant nuspėjamą kodavimą – kartais susietą su nuspėjamuoju procesu – smegenys numato, bet kai jos nesutampa, atliekama pataisa, tada atnaujinama.
Galima teigti, kad tai, kas imasi veiksmų, kurie atrodo kaip numatymas smegenyse, yra elektriniai signalai rinkiniuose, neuronų grupėse.
Ir kaip jie tai daro, yra tai, kad rinkinyje vieni atsiskiria nuo kitų, eidami į priekį, o kiti seka paskui.
Dabar ankstyvas padalijimas skirtas sąveikai (cheminių signalų rinkinio sandūroje), kad būtų galima greitai interpretuoti, kad procesai galėtų tęstis.
Tačiau įeinantis signalas arba antroji padalijimo dalis, jei įvestis sutampa, ji eina ta pačia kryptimi, o jei ne, tai kita kryptimi, kuri ištaiso numatymo klaidą.
Pavyzdžiui, galima išgirsti pradines garso dalis, o tada atsiranda elektrinių signalų padalijimas, o pradinis signalas eina interpretuoti, siekiant nustatyti ar parodyti, kad tai konkretus garsas.
Tačiau, kadangi girdimas likęs garsas, įeinantis elektrinis signalas eina ta pačia kryptimi, jei sutampa, arba kitur, jei nesutampa, ištaisant klaidą.
Šis postulatas gali būti naudojamas nuotoliniu būdu ištirti kvantinio skaičiavimo klaidų taisymo kelius.
Taip pat galima apibrėžti atmintį smegenyse storais ir plonais rinkiniais, kad plonuose rinkiniuose būtų tai, kas yra unikalu, o storuose – tai, kas įprasta tarp dviejų ar daugiau plonų rinkinių.
Kvantinio skaičiavimo atveju susipainiojimą ir superpoziciją galima ištirti naudojant tiek storus, tiek plonus rinkinius, taip pat atkreipti dėmesį į kvantinį saugojimą, taip pat dėl dekoherencijos ir kitų trūkumų.
Koncepcinis smegenų mokslas turi daug ką pasiūlyti fundamentaliam kvantiniam skaičiavimui, kad būtų naudinga inžinerijai svarbiais naudojimo atvejais, kol nepasibaigs dešimtmetis. Galimybė sukurti konceptualių smegenų mokslo tyrimų laboratorijas kvantinių skaičiavimų įmonėse, kad būtų galima tai dirbti, ypač jau 2026 m. sausio 1 d.
Davidas Stephenas šiuo metu atlieka konceptualaus smegenų mokslo tyrimus, daugiausia dėmesio skirdamas elektriniams ir cheminiams konfigūratoriams, kaip jie mechanizuoja žmogaus protą, turėdami įtakos psichinei sveikatai, sutrikimams, neurotechnologijoms, sąmonei, mokymuisi, dirbtiniam intelektui ir ugdymui. Jis buvo kviestinis medicinos entomologijos mokslininkas Ilinojaus universitete Urbana Champaign, IL. Jis atliko kompiuterinio regėjimo tyrimus Rovira i Virgili universitete Taragonoje.
Peržiūrėkite daugiau įdomių istorijų čia.
Nuoroda į informacijos šaltinį
The post Ar konceptualus smegenų mokslas patobulins kvantinį skaičiavimą? appeared first on PAPILDAI24.LT.
]]>The post Padaryti kvantinį skaičiavimo galimybių šuolį appeared first on PAPILDAI24.LT.
]]>Kompiuterių pasaulis tobulėja nepaprastu tempu, o verslas visur stengiasi neatsilikti. Nors „Quantum Computing“ (QC) siekia revoliucionizuoti technologiją, ji dar nėra pasirengusi pakeisti klasikinio skaičiavimo. Vietoj to, hibridinis kvantinės klasės skaičiavimo (HQCC) metodas, kai kvantiniai procesoriai papildo klasikinius kompiuterius, kad išspręstų sudėtingiausius iššūkius, atrodo, yra kelias į priekį.
Pasak IDC, prognozuojama, kad pasaulinė kvantinių skaičiavimo rinka iki 2028 m. Pasieks 8,9 milijardo JAV dolerių, pabrėžiant didėjančią kvantinių patobulintų sprendimų paklausą. Tačiau ką tai reiškia šiandien verslui ir kaip jie gali pradėti naudotis šia kylančia sinergija?
Kvantinis skaičiavimas jau nėra susijęs tik su moksline teorija. Tai jau išbandoma ir taikoma kai kuriose reikliausiose pramonės šakose. Dėl neprilygstamo gebėjimo tuo pačiu metu įvertinti įvairias galimybes tampa idealiu pasirinkimu konkrečioms sritims – pradedant nuo narkotikų atradimo pagreitinimo ir baigiant greitesnio finansinės rizikos modeliavimu. Tai, kas daro ją galinga, yra jo sugebėjimas apsvarstyti daugybę galimybių vienu metu, todėl tai yra ideali problemoms, susijusioms su daugybe kintamųjų ir rezultatų.
Tačiau šiandienos kvantinės mašinos vis dar yra jų ankstyvosiose plėtros etapuose, kuriems būdingas ribotas kvitų skaičius ir palyginti žemas ištikimybės rodiklis. Sistemoms reikės žymiai patobulinti, norint pasiekti praktinius pritaikymus. Be to, valdymo mechanizmai, reikalingi instrukcijoms įgyvendinti, yra linkę į klaidas dėl sudėtingos kvantinių reiškinių sąveikos, todėl sudėtinga išlaikyti darną ir tikslumą. Kvantinių algoritmų sudėtingumas ir didelių klaidų taisymo įrankių poreikis leidžia sudėtingai padidinti kvitų skaičių ir pagerinti bendrą skaičiavimo galią.
Be to, ribotos „Quantum Computers“ galimybės sprendžiant optimizavimo problemas ir mašininio mokymosi užduotis, kurios yra kritinės pritaikymo srityse daugelyje sričių, pabrėžia, kad HQCC metodai, kurie gali panaudoti abiejų paradigmų stipriąsias puses, poreikis. Derindamas kvantinių procesorių galią su klasikinių sistemų stabilumu ir patikimumu, HQCC siūlo geriausius iš abiejų pasaulių.
Svarbu suprasti, kad HQCC nėra alternatyva dabartinėms HPC operacijoms, o patobulinimas. Nepaisant savo galimybių, HQCC turi keletą kritinių kliūčių, kurias reikia atkreipti dėmesį, pavyzdžiui, programinės įrangos sąveika, talentų trūkumas ir besivystanti aparatūros pažanga. Turint tai omenyje, verslas, pradedantis tyrinėti hibridinius sprendimus, dabar bus geriau išdėstytos kaip kvantinės galimybės.
Štai paprastas trijų žingsnių požiūris, norint pradėti:
1. Atrasti: Pradėkite nuo mokymosi ir eksperimentų. „Quantum Computing“ yra kylanti sritis, todėl pirmasis jūsų verslo paruošimo etapas yra atlikti keletą pagrindinių tyrimų. Kai būsite pasiruošę eksperimentuoti, apsvarstykite galimybę naudoti emuliaciją, kad būtų galima kurti, perkelti ir optimizuoti kodo skaičiavimo kodą klasikinėje infrastruktūroje, vengiant didelių išankstinių išlaidų.
2. Nustatyti: Ne kiekviena problema tinka kvantui. Jūs nenorėtumėte to naudoti atlikdami bet kokį skaičiavimą, kuris turi vieną tikslų atsakymą. Pvz., Nereikėtų naudoti jo apskaičiuoti mokesčių sąskaitą ar apdoroti darbo užmokesčio apskaitą. Kita vertus, gali būti labai gerai išspręsti optimizavimo problemas. Svarbiausia yra ieškoti situacijų, kurias sunku modeliuoti dėl daugybės kintamųjų. Taip pat norite, kad jūsų verslui būdingi atvejai, kai gerinant operacijas būtų padaryta didelę įtaką jūsų esmei.
3. Diegti: Įgalinkite trinties dislokavimą gamybai ir realią verslo naudą. HQCC siūlo lankstų požiūrį į gamybos kvantinių skaičiavimo sprendimų diegimą. Derinant klasikinį apdorojimą su kvantinio skaičiavimo galia, hibridinės kvantinės-klasikinės sistemos (HQCS) leidžia kūrėjams sukurti ir išbandyti kvantinius algoritmus pažįstamoje klasikinėje aplinkoje, prieš diegdami juos į brangią kvantinę aparatinę įrangą. Tai reiškia, kad galite pasiekti be trinties diegimo į gamybą, pagreitindami savo patekimą į kvantinės skaičiavimo erą, tuo pačiu sumažindami naujos technologijos pritaikymo riziką.
Dirbtinis intelektas (AI) ir kvantinis skaičiavimas vis labiau susilieja. Kai AI modeliai tampa sudėtingesni ir klasikinės sistemos pradeda siekti našumo ir energijos ribų, hibridinių technologijų, tokių kaip HQCC, potencialas, sujungiantis tiek AI, tiek kvanto galimybes, yra didžiulė.
PG padidina kvantinį skaičiavimą:
– Optimizuoti darbo krūvius: PG gali protingai paskirstyti užduotis tarp klasikinių ir kvantinių procesorių.
– Algoritmo efektyvumo gerinimas: PG gali patobulinti kvantinius algoritmus, kad efektyviau veiktų kvantinėje aparatinėje įrangoje.
– Spartėjanti plėtra:
Savo ruožtu HQCC gali paspartinti AI:
– Teikiant neprilygstamą skaičiavimo galią: Kvantiniai kompiuteriai gali tvarkyti sudėtingus skaičiavimus, su kuriais kovoja klasikinės sistemos, leidžiančios AI modeliams mastelio mastelio srityse, tokiose kaip medžiagų mokslas ir narkotikų atradimas.
– Siūlo padidėjusį energijos vartojimo efektyvumą: Pasitelkdamas tiek klasikinį, tiek kvantinį apdorojimą, HQCC gali padidinti AI užduočių energijos vartojimo efektyvumą.
Šis dvipusis santykis sukuria AI ir kvantinio skaičiavimo sinergiją, padidindamas kiekvieno lauko našumą ir atveriant naujas galimybes visose pramonės šakose, nes jos ir toliau brandi.
Hibridinė skaičiavimo era susijusi ne tik su technologijomis, bet ir apie transformaciją. Įsivaizduokite pasaulį, kuriame problemos, kurioms anksčiau reikėjo metų išspręsti, dabar sprendžiamos dienomis ar net valandomis. Kai sklandi HQCC integracija, ši vizija greitai tampa realybe. Ateilinėms įmonėms, įgyvendinant hibridinius sprendimus, yra kelias į ilgalaikio augimo, efektyvumo ir inovacijų atrakinimo kelią.
Svečias Johnas Roese’as, „Global CTO“ ir „CHIEF AI“ pareigūnas – „Dell Technologies“
Nuoroda į informacijos šaltinįThe post Padaryti kvantinį skaičiavimo galimybių šuolį appeared first on PAPILDAI24.LT.
]]>