การขนส่งควอนตัมไปสู่ขีปนาวุธ

การขนส่งควอนตัมไปสู่ขีปนาวุธ

เครดิตฟรี

นักวิทยาศาสตร์ของ IBM ได้ยิงอิเล็กตรอนผ่านสายนาโนเซมิคอนดักเตอร์ III-V ที่รวมเข้ากับซิลิคอนเป็นครั้งแรกซึ่งตีพิมพ์ในวารสาร Nano Letters ที่ได้รับการตีพิมพ์ในวารสาร peer-reviewed ความสำเร็จนี้จะเป็นพื้นฐานสำหรับอุปกรณ์ลวดควอนตัมที่ซับซ้อนสำหรับวงจรรวมในอนาคตที่ใช้ในระบบคอมพิวเตอร์ขั้นสูงที่ทรงพลัง
นักวิทยาศาสตร์ของ IBM และผู้เขียนนำในบทความDr. Johannes Goothอธิบายบทความนี้ในคำถามและคำตอบ

สล็อต

ชื่อบทความของคุณคือ InAs nanowire cross-junction interconnects แบบ InAs แบบมิติเดียว เมื่อฉันอ่าน “ขีปนาวุธ” ขีปนาวุธที่ค่อนข้างใหญ่จะนึกถึง แต่ที่นี่คุณกำลังทำสิ่งนี้ในระดับนาโน คุณสามารถพูดคุยเกี่ยวกับความท้าทายที่นำเสนอนี้ได้หรือไม่?
Johannes Gooth (JG):ใช่ มันคล้ายกันมาก แต่แน่นอนว่าในระดับที่แตกต่างกันมาก อิเล็กตรอนถูกไล่ออกจากอิเล็กโทรดหน้าสัมผัสเดียวและบินผ่านสายนาโนโดยไม่กระจัดกระจายจนกว่าจะชนกับอิเล็กโทรดที่อยู่ตรงข้าม ลวดนาโนทำหน้าที่เป็นแนวทางที่สมบูรณ์แบบสำหรับอิเล็กตรอน เพื่อให้ข้อมูลควอนตัมทั้งหมดของอิเล็กตรอน (พลังงาน โมเมนตัม สปิน) สามารถถ่ายโอนได้โดยไม่สูญเสีย
ตอนนี้เราสามารถทำได้ในจุดตัดขวาง ซึ่งช่วยให้เราสร้างเครือข่ายไปป์อิเล็กตรอน ซึ่งข้อมูลควอนตัมสามารถถ่ายทอดได้อย่างสมบูรณ์แบบ ความท้าทายคือการประดิษฐ์วัสดุที่มีการกำหนดทางเรขาคณิตไว้อย่างดีโดยไม่มีตัวกระจายภายในในระดับนาโน กระบวนการคัดเลือก epitaxy หรือ TASE ที่ใช้เทมเพลตช่วยซึ่งพัฒนาขึ้นที่ IBM Zurich Lab โดยเพื่อนร่วมงานของฉัน ทำให้สิ่งนี้เป็นไปได้เป็นครั้งแรก
งานวิจัยนี้เปรียบเทียบกับกิจกรรมอื่นที่กำลังดำเนินการอยู่ที่อื่นอย่างไร
JG:สิ่งสำคัญที่สุดคือ เมื่อเปรียบเทียบกับแอปพลิเคชันควอนตัมออปติคัลและตัวนำยิ่งยวด เทคนิคนี้สามารถปรับขนาดและเข้ากันได้กับกระบวนการอิเล็กทรอนิกส์มาตรฐานและ CMOS
คุณเห็นบทบาทใดของการขนส่งควอนตัมในขณะที่เราต้องการสร้างคอมพิวเตอร์ควอนตัมสากล
JG:ฉันเห็นการขนส่งควอนตัมเป็นส่วนสำคัญ หากคุณต้องการใช้พลังเต็มที่ของเทคโนโลยีสารสนเทศควอนตัม คุณต้องเชื่อมต่อทุกสิ่งที่เกี่ยวกับขีปนาวุธ: ระบบควอนตัมที่เชื่อมต่อแบบขีปนาวุธอย่างสมบูรณ์ (ควอนตัม) มีพื้นที่สถานะการคำนวณที่ใหญ่กว่าแบบทวีคูณเมื่อเทียบกับระบบที่เชื่อมต่อแบบคลาสสิก
นอกจากนี้ ตามที่ระบุไว้ข้างต้น อุปกรณ์อิเล็กทรอนิกส์สามารถปรับขนาดได้ นอกจากนี้ การรวมโครงสร้างเส้นลวดนาโนของเราเข้ากับตัวนำยิ่งยวดยังช่วยให้คำนวณควอนตัมที่มีการป้องกันเชิงทอพอโลยี ซึ่งช่วยให้สามารถคำนวณความทนทานต่อข้อผิดพลาดได้ นี่เป็นข้อดีที่สำคัญเมื่อเทียบกับเทคนิคอื่นๆ
สามารถทำได้ง่ายเพียงใดโดยใช้กระบวนการที่มีอยู่ และขั้นตอนต่อไปคืออะไร
JG:นี่เป็นข้อได้เปรียบที่สำคัญของเทคนิคของเรา เนื่องจากอุปกรณ์ของเราถูกรวมเข้ากับกระบวนการและเทคโนโลยี CMOS ที่มีอยู่อย่างสมบูรณ์
อะไรต่อไปสำหรับการวิจัยของคุณ?
JG:ขั้นตอนต่อไปคือการทำงานของไม้กางเขนโดยการติดชิ้นส่วนคอมพิวเตอร์ควอนตัมอิเล็กทรอนิกส์ เราจะเริ่มสร้างอุปกรณ์ไฮบริดตัวนำยิ่งยวด/นาโนไวร์สำหรับการถักเปีย Majorana และติดจุดควอนตัม
เมื่อพิจารณาจากข้อจำกัดเหล่านี้ เราได้พยายามครั้งแรกในการฝึกโมเดลComplex Imperative Program Induction จาก Terminal Rewards (CIPITR)เพื่อตอบคำถามที่ซับซ้อน โดยไม่มีข้อจำกัดเหล่านี้ ประการแรก คำถามอาจซับซ้อน บางครั้งต้องใช้เหตุผลประเภทต่างๆ ถึง 7-12 ขั้นตอน การให้เหตุผลอาจเป็นตรรกะ เปรียบเทียบ หรืออิงจากการวิเคราะห์เชิงปริมาณ ประการที่สอง จำเป็นต้องตอบคำถามโดยอิงจากฐานความรู้ขนาดใหญ่ที่มีข้อเท็จจริงมากกว่า 50 ล้านข้อ ประการที่สาม และที่สำคัญที่สุด โมเดลได้รับการฝึกฝนโดยมีเพียงคู่คำถาม-คำตอบเท่านั้นที่เป็นผู้ดูแล และสามารถเรียนรู้ที่จะชักจูงโปรแกรมได้โดยไม่ต้องใช้โปรแกรม oracle ในระหว่างการฝึกอบรม
สำหรับคำถามที่ซับซ้อน เช่น “นักลงทุนซื้อหุ้นที่ถูกจำกัดภายในหนึ่งในสี่ของการเปิดบัญชีกี่คน” โมเดลต้องเข้าใจก่อนว่าแบบสอบถามกำลังพูดถึงแนวคิดเช่น “นักลงทุน” “หุ้นจำกัด” และ “ไตรมาส” รวมถึงความสัมพันธ์ระหว่างแนวคิดเช่น “ซื้อ” และ “เปิด” จากนั้นแนวคิดจะจับคู่กับข้อเท็จจริงในฐานความรู้ทางการเงิน แม้ว่าจะทำได้อย่างสมบูรณ์แล้ว จำนวนโปรแกรมที่เป็นไปได้ที่เหนี่ยวนำอาจมีจำนวนมาก (~10^19) ซึ่งมีเพียงไม่กี่โปรแกรมเท่านั้นที่สามารถนำไปสู่คำตอบที่ถูกต้อง ตัวอย่างเช่น CIPITR ต้องค้นหาก่อนว่านักลงทุนรายใดเปิดบัญชี แล้วใครในนั้นซื้อหุ้นที่มีข้อจำกัด ต่อไปจะต้องหาเวลาที่จะซื้อและเปิดบัญชี แล้วใช้ข้อจำกัดด้านเวลา และสุดท้ายนับจำนวนนักลงทุนดังกล่าว เฉพาะในกรณีที่การสลายตัวนี้ถูกต้อง โมเดลจะไปถึงคำตอบที่ถูกต้องและได้รับรางวัลที่เป็นบวก ตัวอย่างที่คล้ายคลึงกันจากโดเมนภูมิศาสตร์แสดงให้เห็นในรูปโดยคำถาม “มีแม่น้ำกี่สายที่กำเนิดในประเทศจีนแต่ไหลผ่านอินเดีย” แบบจำลองนี้ต้องหาทางแยกระหว่างชุดแม่น้ำที่มีต้นกำเนิดจากจีนกับแม่น้ำที่ไหลผ่านอินเดีย จากนั้นจึงหาขนาดของชุดทางแยกนี้
เพื่อที่จะค้นหาในทางปฏิบัติในพื้นที่ combinatorial ของโปรแกรมที่เป็นไปได้ แบบจำลองประสาทต้องรวมกฎการเขียนโปรแกรมทั่วไป เหมือนกับที่โปรแกรมเมอร์ที่เป็นมนุษย์ทำ เป็นข้อจำกัดเชิงสัญลักษณ์ในการค้นหา นอกจากนั้น ยังควรสามารถรวมข้อจำกัดระดับงานหรือสคีมา เพื่อให้แน่ใจว่าโปรแกรมที่สร้างขึ้นนั้นสอดคล้องกับฐานความรู้พื้นฐานอย่างแท้จริง และสามารถสร้างคำตอบที่มีความหมายได้ การแต่งงานเชิงสัญลักษณ์ AI กับการใช้เหตุผลทางประสาทในลักษณะนี้สามารถใช้ประโยชน์จากสิ่งที่ดีที่สุดของทั้งสองโลก: พลังของการแสดงแบบจำลองประสาทในขณะที่เอาชนะปัญหาโดยธรรมชาติของการทำผิดพลาดง่าย ๆ หรือการหาคำตอบที่ไม่มีความหมายด้วยกฎเชิงสัญลักษณ์
การเอาชนะความท้าทายเหล่านี้ CIPITR ได้คะแนนสูงกว่าระบบคู่แข่งอย่างน้อยสามเท่าสำหรับการสืบค้นที่ซับซ้อนปานกลางซึ่งต้องใช้โปรแกรมสองถึงห้าขั้นตอน และหนึ่งในคลาสที่ยากที่สุดในการสืบค้น (การให้เหตุผลเชิงเปรียบเทียบ) ด้วยขั้นตอน 5-10 ขั้นตอน CIPITR มีประสิทธิภาพเหนือกว่าโมเดลการเหนี่ยวนำโปรแกรมประสาทที่ล้ำสมัยถึง 89 เท่า
ผลลัพธ์เหล่านี้ทำให้ CIPITR เป็นหนึ่งในความสำเร็จครั้งแรกในการขยายขอบเขตการบังคับใช้กระบวนทัศน์การเหนี่ยวนำโปรแกรมที่ซับซ้อนไปสู่การตั้งค่าต่างๆ ในโลกแห่งความเป็นจริง โดยขจัดความจำเป็นในการกำกับดูแลระหว่างการฝึกอบรม และยังแสดงให้เห็นศักยภาพที่สำคัญในการผลักดันขอบเขตของงานการให้เหตุผลที่ซับซ้อนในสภาพแวดล้อมต่างๆ เช่น การตอบคำถามหรือการสนทนาอย่างมีกลยุทธ์ในหลายรูปแบบ (เช่น ข้อความ รูปภาพ หรือวิดีโอ) ในลักษณะที่เหมือนมนุษย์มากขึ้น

สล็อตออนไลน์

การประชุม ACM SIGKDD ครั้งที่ 25 เกี่ยวกับการค้นพบความรู้และการขุดข้อมูล ( KDD 2019 ) คือวันที่ 4 – 8 สิงหาคม 2019 ในเมืองแองเคอเรจ รัฐอะแลสกา IBM Researchอยู่ในระดับแนวหน้าของการค้นพบความรู้และการวิจัยการทำเหมืองข้อมูลมานานกว่าหนึ่งในสี่ของศตวรรษ และเป็นผู้สนับสนุนการประชุมระดับแพลตตินัมที่น่าภาคภูมิใจ
ด้วยการเติบโตอย่างรวดเร็วของข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างในโดเมนองค์กร เทคโนโลยีใหม่จึงมีความจำเป็นในการจัดการ ดึงข้อมูลเชิงลึก และใช้ประโยชน์จากข้อมูลนี้อย่างมีประสิทธิภาพ IBM Research AI มุ่งมั่นที่จะพัฒนาเทคโนโลยีใหม่ๆ เพื่อความก้าวหน้า ไว้วางใจ และปรับขนาด AI ที่จัดการกับการพึ่งพาที่เพิ่มขึ้นขององค์กรในด้านปริมาณที่เพิ่มขึ้นและความหลากหลายของข้อมูล เรารู้สึกตื่นเต้นที่ได้มีส่วนร่วมในการประชุม KDD ประจำปี ซึ่งเป็นแหล่งรวมนวัตกรรมในด้านเหล่านี้ และมอบโอกาสที่ยอดเยี่ยมในการโต้ตอบกับนักศึกษาชั้นนำและนักวิจัยในสาขานี้
ที่งาน KDD 2019 IBM Research AI จะนำเสนอเอกสารทางเทคนิคที่อธิบายผลลัพธ์ล่าสุดในการเรียนรู้เชิงลึกสำหรับกราฟ การเรียนรู้จากฝ่ายตรงข้าม ความเข้าใจข้อความ และวิทยาศาสตร์ข้อมูลสำหรับการดูแลสุขภาพ อาชญากรรมทางการเงิน และการค้นพบทางวิทยาศาสตร์
ในพิธีเปิดงานของ KDD Charu Aggarwal สมาชิกเจ้าหน้าที่วิจัยของ IBM ได้รับรางวัลนวัตกรรม SIGKDD สำหรับความสำเร็จตลอดชีพในการทำเหมืองข้อมูล ขอแสดงความยินดีกับชารุ! เขายังนำเสนอเอกสารของเขาสามฉบับในการประชุม (ดูด้านล่าง)
ที่บูธของเรา (# 3) เราจะจัดแสดงการสาธิตเทคโนโลยีของเทคโนโลยี AI ใหม่ล่าสุดของเรารวมทั้งความร่วมมือกับเอไอในการสร้างงานศิลปะของคุณเองโดยอัตโนมัติสร้างปรับแต่งรูปแบบเครือข่ายประสาทใช้ของไอบีเอ็มNeuNetSสร้างความไว้วางใจในเอไอโดยใช้โอเพนซอร์สของเราAI Fairness 360 Toolkit , ชิป AI อะนาล็อกที่ไม่เหมือนใคร, กล่องเครื่องมือ Adversarial Robustness 360และอื่นๆ
โปรดหยุดโดยและเข้าร่วมการนำเสนอและเวิร์กช็อปของเราตามรายการด้านล่าง หวังว่าจะได้พบคุณที่แองเคอเรจ!
ความก้าวหน้าของปัญญาประดิษฐ์ (AI) ทำให้เราถามผู้ช่วย AI ไม่ว่าจะบนโทรศัพท์หรืออุปกรณ์ในบ้านของเรา คำถามง่ายๆ เช่น “วันนี้อากาศเป็นอย่างไร” อย่างไรก็ตาม ในการตั้งค่าองค์กร เป้าหมายคือการพัฒนาระบบการสนทนาแบบ end-to-end ที่ทำให้การโต้ตอบบางอย่างเป็นไปโดยอัตโนมัติ และยังเชื่อมต่อกับการแทรกแซงของมนุษย์เมื่อจำเป็น วัตถุประสงค์นี้มีความท้าทายมากขึ้นในการตั้งค่าการแชทเป็นกลุ่มหรือในกรณีของการสนทนาที่ไม่อยู่ในบริบท

jumboslot

ทีมนักวิจัยจากIBM Research AIและAI Horizons Network ซึ่งเป็นพันธมิตรกับ University of Michigan ได้เผยแพร่เอกสารเรื่อง “ A Large-Scale Corpus for Conversation Disentanglement ” และ “ Learning End-to-End Goal-Oriented Dialog with Maximal User Task Success and Minimal ตัวแทนมนุษย์ใช้”ที่สมาคมภาษาศาสตร์ (ACL) การประชุม (ACL 2019) งานนี้กล่าวถึงความท้าทายหลักสองประการในผู้ช่วย AI ที่ล้ำสมัยโดย:
การพัฒนาวิธีการที่ขับเคลื่อนด้วยข้อมูลที่มีประสิทธิภาพสำหรับการคลี่คลายการสนทนาและ
เสนอวิธีการฝึกสอนแบบ end-to-end สำหรับระบบโต้ตอบเชิงเป้าหมายของระบบประสาท ซึ่งจัดการพฤติกรรมผู้ใช้ใหม่ในการปรับใช้โดยการถ่ายโอนกล่องโต้ตอบไปยังตัวแทนของมนุษย์อย่างชาญฉลาด
ความท้าทาย #1: การสนทนาที่คลี่คลาย
เมื่อกลุ่มคนสื่อสารกันในแชนเนลทั่วไป การสนทนาหลายรายการเกิดขึ้นพร้อมกัน การสนทนาที่ซับซ้อนเหล่านี้จะต้องถูกทำให้คลี่คลายก่อนที่ผู้ช่วย AI จะบริโภค แม้ว่า Conversation Disentanglement จะเป็นปัญหาสำคัญ แต่ก็มีการศึกษาไม่เพียงพอ เนื่องจากไม่มีชุดข้อมูลสาธารณะที่มีคำอธิบายประกอบ
ด้วยงานนี้ เราขอแนะนำชุดข้อมูลขนาดใหญ่ชุดแรกที่ใส่คำอธิบายประกอบด้วยตนเองซึ่งมีข้อความ 77,563 ข้อความพร้อมกราฟโครงสร้างการตอบกลับที่คลี่คลายการสนทนาและกำหนดโครงสร้างการสนทนาภายใน ชุดข้อมูลประกอบด้วย 74,963 ข้อความจากช่อง #Ubuntu Internet Relay Chat (IRC) และ 2,600 ข้อความจากช่อง #Linux IRC คลังข้อมูลนี้มีขนาดใหญ่กว่าชุดข้อมูลที่นำออกใช้ก่อนหน้านี้ทั้งหมด 16 เท่า และเป็นกลุ่มแรกที่รวมบริบทและคำอธิบายประกอบที่พิจารณาแล้ว
ในตัวอย่างนี้ แต่ละข้อความสามารถแสดงด้วยโหนด ขอบระบุว่าข้อความหนึ่งเป็นการตอบกลับไปยังอีกข้อความหนึ่ง แต่ละองค์ประกอบที่เชื่อมต่อกันจะสอดคล้องกับการสนทนาที่กระจัดกระจาย
พฤติกรรมทั่วไปบางประการของการสนทนาหลายฝ่ายช่องทางเดียวสามารถดูได้ในตัวอย่างบันทึกด้านบน ตัวอย่างเช่นBurgerMannได้รับการตอบกลับหลายครั้งจากหลาย ๆ คนสำหรับข้อความเดียว เรายังเห็นผู้ใช้สองคนคือdelireและSeveasเข้าร่วมการสนทนาสองครั้งพร้อมกัน
[NPC5]การระบุข้อมูล #Linux ช่วยให้สามารถเปรียบเทียบกับ Elsner และ Charniak (2008) ในขณะที่ช่อง #Ubuntu ซึ่งมีข้อความมากกว่า 34 ล้านข้อความ ทำให้เป็นแหล่งข้อมูลขนาดใหญ่ที่น่าสนใจสำหรับการวิจัยบทสนทนา เราทำการวิเคราะห์เชิงประจักษ์ครั้งแรกของ Lowe et al.’s (2015 , 2017 ) การสนทนาแบบฮิวริสติกแบบแยกส่วนที่ใช้กันอย่างแพร่หลายบนช่อง #Ubuntu หนึ่งในการค้นพบที่สำคัญคือมีเพียง 20 เปอร์เซ็นต์ของการสนทนาที่วิธีการสร้างเป็นคำนำหน้าที่แท้จริงของการสนทนา
แบบจำลองที่เราพัฒนาขึ้นได้เปิดใช้งานทิศทางใหม่ในการค้นคว้าบทสนทนา โดยให้การสนทนาแบบแยกส่วนสำหรับ DSTC 7 แทร็ก 1 (Gunasekara et al., 2019 ; Yoshino et al., 2018 ) และสำหรับแทร็ก DSTC 8 ที่กำลังทำงานอยู่2 . งานนี้เติมเต็มช่องว่างสำคัญที่มีการวิจัยอย่างจำกัด ให้โอกาสใหม่ในการทำความเข้าใจการสนทนาแบบหลายฝ่ายพร้อมกันทางออนไลน์