กฎหมายใหม่เพื่ออธิบายการเพิ่มขึ้นของควอนตัมคอมพิวเตอร์?

กฎหมายใหม่เพื่ออธิบายการเพิ่มขึ้นของควอนตัมคอมพิวเตอร์?

เครดิตฟรี

ในเดือนธันวาคม 2018 นักวิทยาศาสตร์ของ Google AI ได้ทำการคำนวณเกี่ยวกับโปรเซสเซอร์ควอนตัมที่ดีที่สุดของ Google พวกเขาสามารถทำซ้ำการคำนวณโดยใช้แล็ปท็อปปกติ จากนั้นในเดือนมกราคม พวกเขาทำการทดสอบเดียวกันกับชิปควอนตัมรุ่นปรับปรุง คราวนี้พวกเขาต้องใช้คอมพิวเตอร์เดสก์ท็อปที่ทรงพลังเพื่อจำลองผลลัพธ์ ภายในเดือนกุมภาพันธ์ ไม่มีคอมพิวเตอร์แบบคลาสสิกในอาคารที่สามารถจำลองแบบควอนตัมได้อีกต่อไป นักวิจัยต้องขอเวลาบนเครือข่ายเซิร์ฟเวอร์ขนาดใหญ่ของ Google เพื่อทำเช่นนั้น

สล็อต

Hartmut Nevenผู้อำนวยการห้องปฏิบัติการ Quantum Artificial Intelligence กล่าวว่า “ในเดือนกุมภาพันธ์ที่ใดที่หนึ่ง ฉันต้องโทรไปบอกว่า ‘เฮ้ เราต้องการโควต้าเพิ่ม’ “เรากำลังดำเนินการงานที่ประกอบด้วยโปรเซสเซอร์นับล้านตัว”
การปรับปรุงอย่างรวดเร็วนั้นนำไปสู่สิ่งที่เรียกว่า “กฎของเนเวน” ซึ่งเป็นกฎรูปแบบใหม่ที่อธิบายว่าคอมพิวเตอร์ควอนตัมได้รับความนิยมอย่างรวดเร็วจากคอมพิวเตอร์แบบคลาสสิก กฎเริ่มต้นจากการสังเกตการณ์ภายในองค์กร ก่อนที่ Neven จะกล่าวถึงในเดือนพฤษภาคมที่งาน Google Quantum Spring Symposium ที่นั่น เขากล่าวว่าคอมพิวเตอร์ควอนตัมกำลังได้รับพลังในการคำนวณเมื่อเทียบกับคอมพิวเตอร์แบบคลาสสิกด้วยอัตรา “ทวีคูณ” ซึ่งเป็นคลิปที่เร็วจนน่าตกใจ
ด้วยการเติบโตแบบทวีคูณ “ดูเหมือนว่าไม่มีอะไรเกิดขึ้น ไม่มีอะไรเกิดขึ้น แล้วโอ๊ะโอ ทันใดนั้นคุณก็อยู่ในโลกที่ต่างไปจากเดิม” เนเวนกล่าว “นั่นคือสิ่งที่เรากำลังประสบอยู่ที่นี่”
แม้แต่การเติบโตแบบทวีคูณก็ค่อนข้างเร็ว ก็หมายความว่าปริมาณบางเติบโตโดยอำนาจของ 2: 2 1 2 2 2 3 2 4 การเพิ่มขึ้นสองสามครั้งแรกอาจไม่เด่นชัดนัก แต่การกระโดดครั้งต่อมานั้นยิ่งใหญ่ กฎของมัวร์ ซึ่งเป็นแนวทางที่มีชื่อเสียงซึ่งระบุ (โดยประมาณ) ว่าพลังการคำนวณเพิ่มขึ้นเป็นสองเท่าทุก ๆ สองปีนั้นเป็นแบบทวีคูณ
การเติบโตแบบทวีคูณทวีคูณนั้นน่าทึ่งกว่ามาก แทนที่จะเพิ่มขึ้นด้วยยกกำลัง 2 ปริมาณกลับเพิ่มขึ้นด้วยยกกำลัง 2:221,222,223,224. การเติบโตแบบทวีคูณเป็นสองเท่าในเรื่องQuantaล่าสุด“ นักวิทยาศาสตร์คอมพิวเตอร์ขยายขอบเขตของความรู้ที่ตรวจสอบได้ ” ซึ่งอธิบายอัตราสูงสุดที่ปัญหาการคำนวณบางอย่างเพิ่มความซับซ้อน การเติบโตแบบทวีคูณทวีคูณเป็นเอกพจน์ที่ยากต่อการค้นหาตัวอย่างในโลกแห่งความเป็นจริง อัตราความก้าวหน้าในการคำนวณควอนตัมอาจเป็นอันดับแรก
อัตราเลขชี้กำลังทวีคูณซึ่งตาม Neven คอมพิวเตอร์ควอนตัมกำลังได้รับในคอมพิวเตอร์แบบคลาสสิกเป็นผลมาจากปัจจัยเลขชี้กำลังสองปัจจัยรวมกัน อย่างแรกคือคอมพิวเตอร์ควอนตัมมีความได้เปรียบแบบเอ็กซ์โพเนนเชียลที่แท้จริงมากกว่าแบบคลาสสิก: ถ้าวงจรควอนตัมมีสี่บิตควอนตัม จะใช้วงจรคลาสสิกที่มีบิตสามัญ 16 บิตเพื่อให้ได้กำลังการคำนวณที่เทียบเท่ากัน สิ่งนี้จะเป็นจริงแม้ว่าเทคโนโลยีควอนตัมจะไม่เคยปรับปรุง
ปัจจัยเลขชี้กำลังที่สองมาจากการปรับปรุงตัวประมวลผลควอนตัมอย่างรวดเร็ว Neven กล่าวว่าชิปควอนตัมที่ดีที่สุดของ Google เพิ่งได้รับการปรับปรุงในอัตราเลขชี้กำลัง (การปรับปรุงอย่างรวดเร็วนี้ได้รับแรงผลักดันจากอัตราความผิดพลาดที่ลดลงในวงจรควอนตัม การลดอัตราความผิดพลาดทำให้วิศวกรสามารถสร้างโปรเซสเซอร์ควอนตัมที่ใหญ่ขึ้นได้ Neven กล่าว) หากคอมพิวเตอร์คลาสสิกต้องการพลังการคำนวณที่มากขึ้นแบบทวีคูณเพื่อจำลองโปรเซสเซอร์ควอนตัม และตัวประมวลผลควอนตัมเหล่านั้นกำลังเติบโตอย่างทรงพลังมากขึ้นตามเวลา คุณจะจบลงด้วยความสัมพันธ์แบบทวีคูณระหว่างควอนตัมและเครื่องคลาสสิก
ไม่ใช่ทุกคนที่เชื่อมั่นในสิ่งนี้ ประการหนึ่ง คอมพิวเตอร์แบบคลาสสิกไม่ได้หยุดนิ่ง ชิปคอมพิวเตอร์ทั่วไปยังคงพัฒนาต่อไป แม้ว่ากฎของมัวร์อาจจะสิ้นสุดก็ตาม นอกจากนี้ นักวิทยาศาสตร์คอมพิวเตอร์ยังคิดค้นอัลกอริธึมที่มีประสิทธิภาพมากขึ้นอย่างต่อเนื่องซึ่งช่วยให้คอมพิวเตอร์แบบคลาสสิกก้าวทัน
แอนดรูว์ ไชลด์ส ผู้อำนวยการร่วมของศูนย์ร่วมด้านข้อมูลควอนตัมและวิทยาการคอมพิวเตอร์ของมหาวิทยาลัยกล่าวว่า “เมื่อดูชิ้นส่วนที่เคลื่อนไหวทั้งหมด รวมถึงการปรับปรุงในด้านคลาสสิกและควอนตัม มันยากสำหรับฉันที่จะพูดว่ามันเป็นการทวีคูณทวีคูณ” ของรัฐแมริแลนด์
แม้ว่าอัตราที่แน่นอนที่คอมพิวเตอร์ควอนตัมจะปิดในคอมพิวเตอร์แบบคลาสสิกอาจเป็นที่ถกเถียงกัน ไม่ต้องสงสัยเลยว่าเทคโนโลยีควอนตัมกำลังพัฒนาและรวดเร็ว
“ผมคิดว่าความเป็นจริงที่ปฏิเสธไม่ได้ของความก้าวหน้านี้ทำให้ลูกบอลอยู่ในศาลของบรรดาผู้ที่เชื่อว่าการคำนวณควอนตัมที่ปรับขนาดได้ไม่สามารถทำงานได้อย่างมั่นคง” สกอตต์ อารอนสันนักวิทยาศาสตร์คอมพิวเตอร์แห่งมหาวิทยาลัยเท็กซัส ออสติน กล่าวในอีเมล “พวกเขาคือคนที่จำเป็นต้องพูดให้ชัดว่าจะหยุดที่ใดและทำไม”
เป้าหมายสูงสุดในด้านการคำนวณควอนตัมคือการคำนวณควอนตัมที่มีประสิทธิภาพซึ่งไม่สามารถจำลองได้ในระยะเวลาที่เหมาะสมแม้ในคอมพิวเตอร์คลาสสิกที่ทรงพลังที่สุด (ปัจจุบันคือซูเปอร์คอมพิวเตอร์ Summitที่ห้องปฏิบัติการแห่งชาติโอ๊คริดจ์) ในบรรดากลุ่มวิจัยต่างๆ ที่พัฒนาคอมพิวเตอร์ควอนตัม Google ได้แสดงความเห็นเป็นพิเศษเกี่ยวกับการไล่ตามหลักชัยนี้ ซึ่งเรียกว่า ” อำนาจสูงสุดของควอนตัม “
จนถึงตอนนี้ อำนาจสูงสุดของควอนตัมได้พิสูจน์ให้เห็นแล้วว่าเข้าใจยาก บางครั้งอาจดูเหมือนอยู่ใกล้แค่เอื้อม แต่ยังไม่ถึงมือ แต่ถ้ากฎของเนเวนมีอยู่ ก็คงอยู่ไม่ไกล Neven จะไม่พูดอย่างแน่ชัดเมื่อเขาคาดการณ์ว่าทีม Google จะบรรลุอำนาจสูงสุดของควอนตัม แต่เขายอมให้สิ่งนี้เกิดขึ้นในไม่ช้า
“เรามักจะพูดว่าเราคิดว่าเราจะบรรลุเป้าหมายในปี 2019” Neven กล่าว “งานเขียนอยู่บนผนัง”
ตอนแรกของSesame Streetในปี 1969 รวมส่วนที่เรียกว่า “หนึ่งในสิ่งเหล่านี้ไม่เหมือนที่อื่น” ผู้ชมถูกขอให้พิจารณาโปสเตอร์ที่แสดง 3 2s และ 1 W และตัดสินใจ – ขณะที่ร้องเพลงไปกับเสียงกริ๊งของเกม – ซึ่งสัญลักษณ์ไม่อยู่ในนั้น Sesame Street เล่นซ้ำหลายสิบตอนโดยเปรียบเทียบทุกอย่างตั้งแต่รูปแบบนามธรรมไปจนถึงจานผัก เด็ก ๆ ไม่เคยต้องเรียนรู้กฎใหม่ การทำความเข้าใจความแตกต่างระหว่าง “เหมือน” และ “แตกต่าง” ก็เพียงพอแล้ว
เครื่องจักรมีเวลาที่ยากกว่ามาก หนึ่งในกลุ่มระบบปัญญาประดิษฐ์ที่ทรงพลังที่สุด หรือที่รู้จักในชื่อ Convolutional Neural Network หรือ CNN สามารถฝึกให้ทำงานที่ซับซ้อนได้ดีกว่ามนุษย์ ตั้งแต่การจำแนกมะเร็งในภาพถ่ายทางการแพทย์ ไปจนถึงการเลือกการเคลื่อนไหวในเกมโกะ แต่ผลการวิจัยเมื่อเร็วๆ นี้แสดงให้เห็นว่า CNN สามารถบอกได้ว่ารูปแบบการมองเห็นแบบธรรมดาสองรูปแบบนั้นเหมือนกันหรือไม่ใช่แค่ภายใต้เงื่อนไขที่จำกัดมากเท่านั้น เปลี่ยนแปลงเงื่อนไขเหล่านั้นแม้เพียงเล็กน้อย และประสิทธิภาพของเครือข่ายก็ลดลง

สล็อตออนไลน์

ผลลัพธ์เหล่านี้ทำให้เกิดการถกเถียงกันในหมู่นักวิจัยที่เรียนรู้ลึกและนักวิทยาศาสตร์ด้านความรู้ความเข้าใจ วิศวกรรมที่ดีขึ้นจะสร้าง CNN ที่เข้าใจความเหมือนและความแตกต่างในลักษณะทั่วไปที่เด็กทำหรือไม่ หรืออำนาจการให้เหตุผลเชิงนามธรรมของ CNN นั้นจำกัดโดยพื้นฐาน ไม่ว่าพวกเขาจะสร้างและฝึกฝนอย่างชาญฉลาดเพียงใด? ไม่ว่าในกรณีใด นักวิจัยส่วนใหญ่ดูเหมือนจะเห็นพ้องกันว่าการเข้าใจความสัมพันธ์ที่เหมือนกันและต่างกันนั้นเป็นจุดเด่นที่สำคัญของความฉลาด การประดิษฐ์หรืออย่างอื่น
“คุณกับฉันไม่เพียงแต่ประสบความสำเร็จในงานที่ต่างไปจากเดิมเท่านั้น แต่กลุ่มสัตว์ที่ไม่ใช่มนุษย์ก็ทำได้เช่นกัน — รวมทั้งลูกเป็ดและผึ้งด้วย” Chaz Firestoneผู้ซึ่งศึกษาด้านการรับรู้ทางสายตาที่ Johns Hopkins University กล่าว
ความสามารถในการประสบความสำเร็จในงานนั้นถือได้ว่าเป็นรากฐานสำหรับการอนุมานทุกประเภทที่มนุษย์สร้างขึ้น Adam Santoro นักวิจัยจาก DeepMind กล่าวว่าห้องทดลอง AI ที่ Google เป็นเจ้าของนั้น “ศึกษาความสัมพันธ์ที่ต่างกันแบบองค์รวม” ไม่ใช่แค่ในฉากภาพเท่านั้น แต่ยังรวมถึงภาษาธรรมชาติและปฏิสัมพันธ์ทางกายภาพด้วย “เมื่อฉันขอให้ตัวแทน [AI] ‘รับรถของเล่น’ ก็หมายความว่าฉันกำลังพูดถึงรถคันเดียวกับที่เราเคยเล่นด้วย ไม่ใช่รถของเล่นคนละคันในห้องถัดไป” เขาอธิบาย การสำรวจเมื่อเร็ว ๆ นี้ของการวิจัยเกี่ยวกับการใช้เหตุผลต่างกันยังเน้นประเด็นนี้ ผู้เขียนเขียนว่า “หากไม่มีความสามารถในการรับรู้ถึงความเหมือนกัน ดูเหมือนว่าจะมีความหวังเพียงเล็กน้อยที่จะตระหนักถึงความฝันในการสร้างเครื่องให้เหตุผลด้วยภาพที่ชาญฉลาดอย่างแท้จริง”
ความสัมพันธ์เดียวกันแตกต่างกันได้พากเพียรเครือข่ายประสาทอย่างน้อยตั้งแต่ปี 2013 เมื่อผู้บุกเบิก AI วิจัยโยชัวเบนจิโอและผู้ร่วมงานของเขาCaglar Gulcehre , แสดงให้เห็นว่าซีเอ็นเอ็นไม่สามารถบอกได้ว่ากลุ่มของบล็อกรูปร่าง Tetris สไตล์เหมือนกันหรือไม่ แต่จุดบอดนี้ไม่ได้หยุด CNN จากการครอบงำ AI ภายในสิ้นทศวรรษ เครือข่าย Convolutional ช่วยให้ AlphaGo เอาชนะผู้เล่น Go ที่ดีที่สุดในโลกและเกือบ 90% ของแอป Android ที่เปิดใช้งานการเรียนรู้เชิงลึกพึ่งพาพวกเขา
การให้เครื่องใดๆ เพื่อเรียนรู้ความแตกต่างที่เหมือนกันอาจต้องมีการพัฒนาความเข้าใจในการเรียนรู้เอง
ความสามารถที่เพิ่มขึ้นนี้จุดประกายความสนใจของนักวิจัยบางคนในการสำรวจว่าโครงข่ายประสาทเทียมเหล่านี้ทำอะไรไม่ได้ ซีเอ็นเอ็นเรียนรู้โดยการเลียนแบบวิธีที่สมองของสัตว์เลี้ยงลูกด้วยนมประมวลผลการป้อนข้อมูลด้วยภาพคร่าวๆ เซลล์ประสาทเทียมหนึ่งชั้นจะตรวจจับลักษณะธรรมดาในข้อมูลดิบ เช่น เส้นสว่างหรือความแตกต่างของคอนทราสต์ เครือข่ายส่งผ่านคุณสมบัติเหล่านี้ไปยังเลเยอร์ที่ต่อเนื่องกัน ซึ่งรวมเข้าเป็นหมวดหมู่ที่ซับซ้อนและเป็นนามธรรมมากขึ้น ตามที่Matthew Ricciนักวิจัยด้านแมชชีนเลิร์นนิงที่มหาวิทยาลัยบราวน์ ความสัมพันธ์ที่ต่างกันเหมือนการทดสอบที่ดีของข้อจำกัดของ CNN เพราะสิ่งเหล่านี้เป็น “สิ่งที่ง่ายที่สุดที่คุณสามารถถามเกี่ยวกับภาพที่ไม่มีอะไรเกี่ยวข้องกับคุณลักษณะของมัน” นั่นคือ ไม่ว่าวัตถุสองชิ้นจะเหมือนกันหรือไม่ ไม่ได้ขึ้นอยู่กับว่าวัตถุทั้งสองเป็นสามเหลี่ยมสีน้ำเงินหรือวงกลมสีแดงเหมือนกัน ความสัมพันธ์ระหว่างคุณสมบัติมีความสำคัญ ไม่ใช่คุณสมบัติเอง
[NPC4]ในปี 2018 Ricci และผู้ทำงานร่วมกันJunkyung KimและThomas Serre ได้ ทดสอบ CNNsเกี่ยวกับรูปภาพจาก Synthetic Visual Reasoning Test (SVRT) ซึ่งเป็นชุดของรูปแบบง่ายๆ ที่ออกแบบมาเพื่อตรวจสอบทักษะการใช้เหตุผลเชิงนามธรรมของโครงข่ายประสาทเทียม รูปแบบประกอบด้วยคู่ของรูปทรงที่ผิดปกติวาดในโครงร่างสีดำบนสี่เหลี่ยมสีขาว หากทั้งคู่มีรูปร่าง ขนาด และการวางแนวเหมือนกัน รูปภาพจะถูกจัดประเภท “เหมือนกัน” มิฉะนั้นทั้งคู่จะถูกระบุว่า “แตกต่าง”
นักวิจัยพบว่า CNN ได้รับการฝึกฝนเกี่ยวกับตัวอย่างมากมายของรูปแบบเหล่านี้สามารถแยกแยะ “เหมือนกัน” จาก “แตกต่าง” ได้อย่างแม่นยำถึง 75% เมื่อแสดงตัวอย่างใหม่จากชุดภาพ SVRT แต่การปรับเปลี่ยนรูปร่างในสองวิธีแบบผิวเผิน – ทำให้ใหญ่ขึ้นหรือวางให้ห่างจากกัน – ทำให้ความแม่นยำของ CNN “ลดลง, ลดลง, ลดลง” Ricci กล่าว นักวิจัยสรุปว่าโครงข่ายประสาทเทียมยังคงยึดติดกับคุณลักษณะต่างๆ แทนที่จะเรียนรู้แนวคิดเชิงสัมพันธ์ของ “ความเหมือนกัน”
ปีที่แล้ว Christina Funke และ Judy Borowski จาก University of Tübingen แสดงให้เห็นว่าการเพิ่มจำนวนเลเยอร์ในโครงข่ายประสาทเทียมจากหกเป็น 50 ได้เพิ่มความแม่นยำขึ้นเหนือ 90% ในงาน SVRT ที่ต่างกัน อย่างไรก็ตาม พวกเขาไม่ได้ทดสอบว่า CNN ที่ “ลึกกว่า” นี้ดำเนินการกับตัวอย่างนอกชุดข้อมูล SVRT ได้ดีเพียงใด ตามที่กลุ่มของ Ricci มี ดังนั้นการศึกษาจึงไม่ได้ให้หลักฐานว่า CNN ที่ลึกกว่านั้นสามารถสรุปแนวคิดที่เหมือนกันและแตกต่างออกไปได้
Guillermo PueblaและJeffrey Bowersนักวิทยาศาสตร์ด้านความรู้ความเข้าใจที่ University of Bristol ได้ตรวจสอบในการศึกษาติดตามผลเมื่อต้นปีนี้ “เมื่อคุณเข้าใจความสัมพันธ์แล้ว คุณสามารถนำไปใช้กับทุกอย่างที่เข้ามาได้” ปวยบลากล่าว เขายืนยันว่าซีเอ็นเอ็นควรอยู่ในมาตรฐานเดียวกัน
Puebla และ Bowers ฝึกฝน CNN สี่แห่งด้วยการตั้งค่าเริ่มต้นที่หลากหลาย (รวมถึงการตั้งค่าแบบเดียวกันบางส่วนที่ใช้โดย Funke และ Borowski) ในรูปแบบต่างๆ ของงาน SVRT ที่ไม่เหมือนกัน พวกเขาพบว่าการเปลี่ยนแปลงเล็กน้อยในคุณสมบัติระดับต่ำของรูปแบบ เช่น การเปลี่ยนความหนาของเค้าร่างของรูปร่างจากหนึ่งพิกเซลเป็นสองพิกเซล มักจะเพียงพอที่จะลดประสิทธิภาพของ CNN ลงครึ่งหนึ่ง จากเกือบสมบูรณ์แบบไปจนถึงเหนือโอกาส
[NPC5]สิ่งนี้หมายความว่าสำหรับ AI ขึ้นอยู่กับว่าคุณถามใคร Firestone และ Puebla คิดว่าผลลัพธ์ล่าสุดมีหลักฐานเชิงประจักษ์ว่า CNN ในปัจจุบันขาดความสามารถในการให้เหตุผลพื้นฐานที่ไม่สามารถสนับสนุนข้อมูลเพิ่มเติมหรือการฝึกอบรมที่ชาญฉลาดกว่า แม้จะมีอำนาจที่เพิ่มมากขึ้นเรื่อย ๆ แต่ “ไม่น่าเป็นไปได้มากที่ซีเอ็นเอ็นจะแก้ปัญหานี้” ในการเลือกปฏิบัติแบบเดียวกันจากที่ต่างกัน Puebla กล่าว “สิ่งเหล่านี้อาจเป็นส่วนหนึ่งของการแก้ปัญหาหากคุณเพิ่มอย่างอื่น แต่ด้วยตัวเอง? มันดูไม่เหมือนเลย”