นักเรียนลองถอดรหัสควอนตัม

นักเรียนลองถอดรหัสควอนตัม

เครดิตฟรี

สัปดาห์นี้ ฉันมีโอกาสกลับไปเรียนที่University of Waterlooซึ่งเคยเป็นนักวิชาการเยี่ยมเยียนในขณะที่ยังเป็นนักศึกษาระดับปริญญาเอกที่ MIT เพื่อเข้าร่วมโครงการUndergraduate School on Experimental Quantum Information Processing (USEQIP) ซึ่งเป็นหลักสูตรพิเศษสอง การประชุมเชิงปฏิบัติการสัปดาห์ที่สถาบันคอมพิวเตอร์ควอนตัม (IQC) ของมหาวิทยาลัย โปรแกรมแนะนำนักศึกษาระดับปริญญาตรีจากทั่วทุกมุมโลก ส่วนใหญ่ในปีที่สามของการศึกษา สู่โลกเชิงทฤษฎีและทดลองของการประมวลผลข้อมูลควอนตัม และในปีนี้ ให้ใช้เครื่องมือQuantum Experience

สล็อต

เมื่อเราแชร์โปรเซสเซอร์ควอนตัม 5 คิวบิตของเรากับคนทั่วโลกเมื่อเดือนที่แล้ว นั่นเป็นช่วงเวลาที่น่าตื่นเต้นสำหรับฉัน เพราะการให้ความรู้แก่สาธารณชน และโดยเฉพาะอย่างยิ่งนักเรียนที่อายุน้อย เกี่ยวกับควอนตัมเป็นสิ่งสำคัญมากสำหรับการขยายสาขา เราต้องการระดมความกระตือรือร้นมากขึ้นสำหรับการคำนวณควอนตัม และจะมีวิธีใดที่ดีไปกว่าการเปิดและให้การเข้าถึงระบบแบบสากล – ผ่านคลาวด์ – เพื่อให้ผู้คนทดลองกับ qubits จริงห้าตัว? เปิดโอกาสให้นักเรียนเช่นเดียวกับที่ USEQIP หรือผู้ที่ชื่นชอบควอนตัม มีโอกาสที่จะเข้าใจสิ่งที่พวกเขากำลังเรียนรู้ด้วยสายตา
เรายังเปิดโอกาสให้ผู้ที่อยู่ในแวดวงวิชาการและวิทยาศาสตร์ได้ทดสอบขอบเขตของสิ่งที่คอมพิวเตอร์ควอนตัมสามารถทำได้ เพื่อสร้างอัลกอริธึมที่เราคิดไม่ถึง
การบ้านควอนตัม
เมื่อฉันพบกับกลุ่ม USEQIP พวกเขาได้ทดลองบางส่วนด้วยการสาธิตและแบบฝึกหัดของ IBM Quantum Experienceและได้เตรียมการบ้านมา ซึ่งเป็นการทดลองของพวกเขาเองที่พวกเขาต้องการเรียกใช้ในระบบ พวกเขาต้องคิดหาวิธีแปลงอัลกอริธึมที่ต้องการให้ทำงานเป็นเกตส์ (หน่วยการสร้างของวงจรควอนตัม) ที่มีให้ใน IBM Quantum Experience บางคนได้ทดสอบลำดับบนเครื่องจำลองแล้ว และต้องเขียนใหม่เพื่อรองรับการเชื่อมต่ออุปกรณ์ทางกายภาพ นักเรียนที่กำลังทดสอบโปรโตคอลการแก้ไขข้อผิดพลาดพบว่าพวกเขาต้องทำลำดับที่ยาวมากจนทำให้เกิดข้อผิดพลาดผ่านการถอดรหัสและเกทที่ไม่สมบูรณ์มากกว่าที่จะแก้ไขได้ ดังนั้นพวกเขาจึงเริ่มคิดว่าจะเขียนโปรโตคอลได้อย่างไร ลำดับที่สั้นกว่า
เป็นจุดเริ่มต้นที่สมบูรณ์แบบสำหรับพวกเขาที่จะคิดว่าพวกเขาสามารถทำอะไรกับอุปกรณ์ได้อีก วิธีที่พวกเขาสามารถเพิ่มข้อผิดพลาดเพื่อดูผลลัพธ์ และวิธีที่พวกเขาสามารถปรับเปลี่ยนอัลกอริทึมที่พวกเขาได้เรียนรู้เกี่ยวกับการทดสอบสิ่งที่น่าสนใจ
“การเรียนรู้กลศาสตร์ควอนตัมในห้องเรียน…มีแนวคิดเชิงนามธรรมที่ชัดเจนเหล่านี้ที่อาจทำให้นักเรียนเลิกราได้ แต่การดูข้อมูลทางกายภาพมาจากคอมพิวเตอร์ของคุณและเพื่อดูรูปภาพของคิวบิตที่รันโค้ดของคุณ ถือเป็นประสบการณ์การเรียนรู้ที่ต่างไปจากเดิมอย่างสิ้นเชิง
“มันนำนักเรียนไปสู่สภาพแวดล้อมที่ใช้งานได้จริงซึ่งหายากมากในโลกของเครื่องจักรควอนตัม เป็นสิ่งสำคัญสำหรับเราที่จะมีโอกาสเข้าถึงแพลตฟอร์มเครื่องกลควอนตัมที่เราสามารถมองเห็นคณิตศาสตร์ที่ซับซ้อนได้ในโลกทางกายภาพ” Michael Wolfe สาขาวิชาคณิตศาสตร์และฟิสิกส์แห่งมหาวิทยาลัยแมริแลนด์กล่าว
เมื่อนักเรียนพบว่ารหัสการแก้ไขข้อผิดพลาดที่ยาวทำให้เกิดความเที่ยงตรงน้อยกว่าที่คาดไว้ ซึ่งทำให้มีโอกาสคิดว่าข้อผิดพลาดมาจากไหน จากนั้นจึงพยายามแก้ไขอัลกอริทึมหรือทดสอบชิ้นส่วนเพื่อดูว่ามีอะไรเกิดขึ้นบ้าง ทำงาน. ตัวอย่างเช่น กลุ่มหนึ่งสังเกตเห็นว่ามีสัญญาณรบกวนในหนึ่ง qubit โดยเฉพาะ และเริ่มวัดเวลาที่เชื่อมโยงกันเพื่อดูว่า qubits ใดที่ “ดีที่สุด”
ฉันชอบที่นักเรียนกระตือรือร้นที่จะลองใช้ความคิดของพวกเขา ก่อนที่เซสชั่นจะเริ่ม พวกเขายังทำงานออกแบบลำดับในช่วงพักกลางวัน พวกเขาเริ่ม “ดีบัก” การทดลองบนอุปกรณ์อย่างรวดเร็ว ซึ่งก็เหมือนกับที่เราทำงานในแล็บ
“เราดูอัลกอริธึมที่มีชื่อเสียงอย่าง Shor ซึ่งทำลายการเข้ารหัสสมัยใหม่ และส่วนสำคัญของสิ่งนี้ใช้ได้กับปัญหาอื่นๆ จำนวนมาก ฉันกำลังทำงานในกลศาสตร์ของไหลในฤดูร้อนนี้ และงานชิ้นนั้นอาจเป็นประโยชน์ในการเร่งการประมาณค่าของสิ่งต่างๆ เช่น สภาพอากาศ และสมการเชิงอนุพันธ์ … มันทำให้ฉันตื่นเต้นมากเกี่ยวกับสิ่งที่คอมพิวเตอร์ควอนตัมสามารถทำได้ในทุกด้านของวิทยาศาสตร์” Emily Tyhurst กล่าว สาขาวิชาคณิตศาสตร์และฟิสิกส์ที่มหาวิทยาลัยบริติชโคลัมเบีย
ฉันหวังว่าจะได้เห็นนักเรียนเหล่านี้และคนอื่นๆ อีกหลายคนผลักดันขอบเขตของสิ่งที่ระบบ 5-qubit สามารถทำได้ แต่ที่สำคัญที่สุด ฉันต้องการประสบการณ์ควอนตัมเพื่อเสริมสร้างความเข้าใจในแนวคิดที่พวกเขากำลังสอนในห้องเรียน และนำไปใช้กับระบบการทำงานจริงที่จะแนะนำให้พวกเขาเข้าสู่โลกใหม่ของข้อมูลควอนตัม สัญชาตญาณ และแนวคิด ฉันคิดว่านักเรียนเหล่านี้ตระหนักดีถึงความสำคัญของการนำคอมพิวเตอร์ควอนตัมไปไว้ในมือของทุกคน โดยเฉพาะคนรุ่นนี้
“ 5-qubits ของ IBM ไม่สามารถทำงานได้ดีกว่าคอมพิวเตอร์แบบคลาสสิก แต่มันบอกโลกว่า ‘เฮ้ เราทำสิ่งนี้ได้ และเรากำลังก้าวไปสู่คอมพิวเตอร์ที่ทนทานต่อข้อผิดพลาด’ นั่นเป็นสิ่งที่คนที่อายุน้อยกว่าฉันและอายุน้อยกว่าที่จะเข้าร่วมการแข่งขันที่สนุกสนานกับคอมพิวเตอร์ควอนตัมเพราะมันกำลังจะเกิดขึ้นในยุคของเรา” วูล์ฟกล่าว ดูวูล์ฟหารือเกี่ยวกับประสบการณ์ของเขากับประสบการณ์ของไอบีเอ็มควอนตัม
ร้านขายโมเดลเป็นส่วนหนึ่งของ IBM Research มาตั้งแต่ต้น เมื่อมันถูกตั้งอยู่ในมหาวิทยาลัยโคลัมเบียในปี 1950
แม้ว่า IBM จะเปลี่ยนโฉมเป็นโซลูชันด้านความรู้ความเข้าใจและบริษัทแพลตฟอร์มคลาวด์ แต่ร้านค้าแบบจำลองยังคงมีสิ่งต่างๆ มากมายให้สร้าง อันที่จริงด้วยการทำงานของนักวิจัยของ IBM ในด้านการคำนวณควอนตัม, เมนเฟรม z System, อุปกรณ์ทางการแพทย์ และ Internet of Things (IoT) ทางปัญญา Alan ชี้ให้เห็นว่าร้านโมเดลนั้นยุ่งกว่าที่เคย
วันนี้ ผลงานของพวกเขารวมถึงการสนับสนุนการวิจัยคอมพิวเตอร์ควอนตัมของไอบีเอ็มโดยการติดตั้งชิ้นส่วนต่างๆ และติดตั้งตู้เย็นเจือจางที่กักเก็บอุปกรณ์คิวบิตตัวนำยิ่งยวดไว้ที่อุณหภูมิภายในสองสามพันของระดับศูนย์สัมบูรณ์ ร้านโมเดลยังมีทีมประกอบเฉพาะที่บินไปยังห้องปฏิบัติการวิจัยต่างๆ ที่กำลังดำเนินการทดลองคอมพิวเตอร์ควอนตัม หรือโครงการอื่นๆ ที่ต้องการความเชี่ยวชาญด้านการตัดเฉือน เช่น:
ทีมงานในเมืองอัลมาเดน รัฐแคลิฟอร์เนียกำลังทำงานร่วมกับร้านค้าแบบจำลองเพื่อสร้างลำตัวและชิ้นส่วนทางกายภาพสำหรับโครงการหุ่นยนต์ชื่อ KATE โครงการนี้เกี่ยวข้องกับ IBM และกลุ่มนักศึกษาต่างชาติที่สอนหุ่นยนต์ขนาด 6 ฟุตให้เดิน
และทีมงานในประเทศจีนจำเป็นเครื่องพิมพ์ 3D ร้านค้ารูปแบบของที่อยู่อาศัยเซ็นเซอร์สร้างมลพิษทำจากพลาสติก ABSสำหรับโครงการกรีนฮอไรซอน เซ็นเซอร์ช่วยให้ปักกิ่งและเมืองอื่นๆ ทั่วโลกจัดการมลพิษทางอากาศได้ดียิ่งขึ้น

สล็อตออนไลน์

หนึ่งในโปรเจ็กต์โปรดของ Alan คือการฟื้นคืนชีพของPongหุ่นยนต์ดูแลสิ่งแวดล้อมที่เริ่มต้นจากห้องทดลอง Almaden ในช่วงต้นทศวรรษ 90 ซึ่งออกแบบมาเพื่อติดตามการเปลี่ยนแปลงในใบหน้าและการแสดงออกของบุคคล เพื่อให้สามารถเลียนแบบและสัมพันธ์กับพวกเขาได้ดียิ่งขึ้น กว่า 10 ปีที่แล้ว ร้านโมเดลถูกขอให้ฟื้นคืนชีพและสร้างหุ่นยนต์ ซึ่งเดิมได้รับการออกแบบให้ทำงานบน Windows 3.1 ร้านขายโมเดลออกแบบเสร็จและนำซอฟต์แวร์มาใช้งานบน Windows XP ในปี 2552 และพงษ์ก็เป็นส่วนหนึ่งของนิทรรศการที่ Carnegie Science Centerร่วมกับหุ่นยนต์ Hall of Fame อื่นๆ เช่น Robby the Robot และ C-3PO ปองกลับมาที่ร้านขายโมเดลเป็นระยะๆ เพื่อซ่อมแซม และอลันก็ส่งของไปให้โรเบิร์ต ไมเนล ผู้ผลิตโมเดล ซึ่งทำงานเกี่ยวกับโป่งเมื่อสิบกว่าปีที่แล้ว พวกเขามักจะตอบสนองความต้องการของมันเหมือนเพื่อนเก่า
งานอดิเรกที่บ้านและที่ทำงาน
นอกเวลางาน ผู้ผลิตโมเดลมีงานอดิเรกที่ไม่น่าแปลกใจเลยที่ลงมือปฏิบัติจริง พวกเขาเป็น ‘ผู้ผลิต’ ก่อนการเคลื่อนไหว DIY ในวันนี้ หลายคนสร้างเครื่องบินจำลองหรือเพลิดเพลินกับการบูรณะรถยนต์โบราณ ทีมงานร้านโมเดลยังจัดทริปฤดูร้อนประจำปีที่พวกเขาไปปูที่แม่น้ำฮัดสัน และไม่แปลกใจเลยที่รู้ว่าพวกเขาใช้ตะขอเกี่ยวสามด้านที่ทำด้วยมือเพื่อดึงกับดักที่หลุดออกมาจากเชือกโยน
อลันก็มีบทบาทอื่นนอกเหนือจากการจัดการร้านโมเดลด้วย เขาเป็นหัวหน้าหน่วยดับเพลิงของห้องปฏิบัติการ (และอาสาสมัครนักดับเพลิงอายุ 45 ปี) ซึ่งดูแลทีมและศูนย์บัญชาการที่ได้รับการฝึกอบรมเพื่อรับมือกับเหตุฉุกเฉินในพื้นที่ ทักษะและการมุ่งเน้นที่ความแม่นยำของเขาในฐานะผู้สร้างแบบจำลองได้ช่วยให้ทีมรับมืออัคคีภัยสามารถรับมือกับเหตุการณ์รอบห้องแล็บ และร้านขายโมเดลสร้างรถเข็นที่อุปกรณ์ทั้งหมดของพวกเขาใช้ แบกถุงลม คอมเพรสเซอร์ อุปกรณ์ควบคุม และเครื่องมืออื่นๆ
ตัวละครของ Kevin Costner, Ray Kinsella ใน “Field of Dreams” ได้ยินเสียงกระซิบว่า “ถ้าคุณสร้างมันขึ้นมา พวกเขาจะมา” ผู้ผลิตโมเดลของ Alan และ IBM ไม่สนใจที่จะกระซิบ พวกเขาบอกเพื่อนร่วมงานว่า “ถ้าคุณมา เราจะสร้างมันขึ้นมา”
การค้นหาข้อมูลในเอกสารและฐานความรู้มากมายของบริษัทเพื่อตอบคำถามของผู้ใช้นั้นไม่ใช่เรื่องง่ายอย่างที่ควรจะเป็น คำตอบอาจมีอยู่จริง แต่มักจะอยู่ไกลเกินเอื้อมด้วยเหตุผลหลายประการ
สำหรับผู้เริ่มต้น ซึ่งต่างจากเว็บที่ข้อมูลเชื่อมต่อผ่านชุดลิงก์จำนวนมากและมักจะถูกจับซ้ำซ้อนในหลายรูปแบบ (ทำให้ค้นหาได้ง่ายขึ้น) เนื้อหาขององค์กรมักจะเก็บไว้ในไซโลที่มีข้อมูลสำคัญซ้ำกันน้อยกว่ามาก นอกจากนี้ ผู้ใช้ที่ค้นหาเนื้อหาขององค์กรมักจะถามคำถามที่ซับซ้อนและคาดหวังคำตอบที่มีรายละเอียดมากกว่าที่จะได้รับจากเครื่องมือค้นหาเว็บ ซึ่งอาจรวมถึงคำถามเกี่ยวกับการสนับสนุนผลิตภัณฑ์ การเรียกเก็บเงิน ระเบียบข้อบังคับล่าสุดที่ใช้กับสัญญาที่ทำกับลูกค้า นัยของเหตุการณ์ที่พบในเว็บไซต์ข่าว และอื่นๆ สุดท้ายนี้ องค์กรต่างๆ มักลังเลที่จะพึ่งพา ‘กล่องดำ’ AI ที่ไม่สามารถอธิบายคำแนะนำของมันได้ และอาจต้องใช้เทคนิคที่สามารถอธิบายได้สำหรับผู้มีอำนาจตัดสินใจหรือผู้ใช้ปลายทาง
[NPC4]การประมวลผลภาษาธรรมชาติ (NLP) ถือเป็นคำมั่นสัญญาที่ดีในการช่วยค้นหาข้อมูลเชิงลึกดังกล่าวในเนื้อหาขององค์กร โดยให้ผู้ใช้แสดงความต้องการข้อมูลของตนได้อย่างอิสระมากขึ้นและให้คำตอบที่ถูกต้องสำหรับคำถามที่ซับซ้อนมากขึ้น อย่างไรก็ตาม ระบบ NLP ขององค์กรมักถูกท้าทายด้วยปัจจัยหลายประการ ซึ่งรวมถึง การทำความเข้าใจไซโลข้อมูลที่แตกต่างกัน การจัดการกับข้อมูลที่ไม่สมบูรณ์ การฝึกอบรมแบบจำลองที่แม่นยำจากข้อมูลจำนวนเล็กน้อย และการนำทางในสภาพแวดล้อมที่เปลี่ยนแปลงซึ่งมีเนื้อหา ผลิตภัณฑ์ ข้อกำหนดใหม่ และมีการเพิ่มข้อมูลอื่น ๆ อย่างต่อเนื่อง
IBM Research AIกำลังสำรวจตามสามธีมที่แตกต่างกันเพื่อจัดการกับความท้าทายเหล่านี้และปรับปรุง NLP สำหรับโดเมนองค์กร กลุ่มแรกพยายามพัฒนา AI โดยที่ระบบสามารถเรียนรู้จากข้อมูลจำนวนเล็กน้อย ใช้ประโยชน์จากความรู้ภายนอก และใช้เทคนิคต่างๆ ซึ่งรวมถึงวิธีประสาทสัญลักษณ์ในภาษาที่รวมการประมวลผลทางประสาทและเชิงสัญลักษณ์ ประการที่สองมุ่งเน้นไปที่การไว้วางใจ AIซึ่งให้คำอธิบายว่าระบบจะไปถึงการตัดสินใจได้อย่างไร แนวทางที่สามเกี่ยวข้องกับการปรับขนาด AI เพื่อให้สามารถปรับตัวได้อย่างต่อเนื่องและติดตามและทดสอบระบบได้ดีขึ้น เพื่อรองรับการปรับใช้ระบบภาษาภายใต้ความคาดหวังที่เข้มงวดขององค์กร
ในโพสต์ของฉันเกี่ยวกับTowards Data Scienceฉันให้ข้อมูลเฉพาะเกี่ยวกับงาน NLP ระดับองค์กรของ IBM Research โดยเน้นเอกสารสี่ฉบับที่เรานำเสนอในการประชุม ACL 2019 (รายการเอกสาร ACL ทั้งหมดของเราอยู่ที่นี่ ) เอกสารสองฉบับแรกกล่าวถึงการแยกวิเคราะห์เชิงความหมาย: ฉบับแรกใช้ภาษาการแทนความหมายเชิงนามธรรม (AMR) เพื่อแสดงความหมายของประโยค และฉบับที่สองสร้างตัวแยกวิเคราะห์ความหมายที่แปลงคำถามของผู้ใช้เป็นโปรแกรมเพื่อสืบค้นฐานความรู้ ฉันยังสำรวจงานของเราสั้นๆ ที่รวมฐานความรู้ที่ไม่สมบูรณ์เข้ากับข้อความเพื่อปรับปรุงความครอบคลุมในการตอบคำถาม เอกสารฉบับที่สี่อธิบายระบบที่ช่วยให้ผู้เชี่ยวชาญเฉพาะเรื่องสามารถปรับกฎเกณฑ์สำหรับระบบตามกฎที่ตีความได้
โรคมะเร็งเป็นครั้งที่สองสาเหตุของการตายชั้นนำทั่วโลก[ผม]มีประมาณ 18,100,000 รายใหม่ 9.6 ล้านคนเสียชีวิตมาประกอบกับมันในปี 2018 [ii] การค้นหายาต้านมะเร็งที่มีประสิทธิภาพมากขึ้นเป็นความพยายามระดับโลกที่เกี่ยวข้องกับวิชาการและอุตสาหกรรม ในกลุ่ม Computational Systems Biology ของเราที่ห้องปฏิบัติการ IBM Research ในซูริก เรากำลังสร้างแนวทางการเรียนรู้ด้วยเครื่องที่อาจช่วยเร่งความเข้าใจของเราเกี่ยวกับตัวขับเคลื่อนชั้นนำและกลไกระดับโมเลกุลของโรคที่ซับซ้อนเหล่านี้ ตลอดจนความแตกต่างในองค์ประกอบของเนื้องอกที่เกิดขึ้นทั่ว มะเร็งชนิดต่างๆ เป้าหมายของเราคือการทำให้เข้าใจมะเร็งอย่างลึกซึ้งยิ่งขึ้น เพื่อให้ภาคอุตสาหกรรมและภาคการศึกษามีความรู้ที่อาจช่วยกระตุ้นการรักษาและการบำบัดใหม่ๆ ได้ในวันหนึ่ง
ใน 18 วันการประชุมยุโรปเกี่ยวกับการคำนวณชีววิทยา (ECCB) และ 27 THการประชุมเกี่ยวกับระบบอัจฉริยะสำหรับอณูชีววิทยา (ISMB) ที่จะจัดขึ้นตั้งแต่วันที่ 21 กรกฎาคม -25 ในบาเซิลวิตเซอร์แลนด์, ไอบีเอ็มจะนำเสนอที่สำคัญการวิจัยใหม่ที่นำไปสู่การ การนำโซลูชันการเรียนรู้ของเครื่องสามแบบไปใช้โดยมุ่งเป้าไปที่การเร่งรัดและชี้แนะการวิจัยโรคมะเร็ง ด้านล่างนี้คือการสนทนาสั้นๆ เกี่ยวกับความก้าวหน้าทั้งสามประการ
[NPC5]แพคแมน : Deep Learning ช่วยทำนายและอธิบายประสิทธิภาพของยาได้แค่ไหน
การพัฒนาและการได้รับยาต้านมะเร็งแม้แต่ตัวเดียวที่ได้รับการอนุมัติอาจมีค่าใช้จ่ายหลายร้อยล้านเหรียญสหรัฐ[iii]ซึ่งบ่งบอกถึงศักยภาพในการเพิ่มประสิทธิภาพตลอดขั้นตอนการพัฒนา วิธีหนึ่งที่อาจลดต้นทุนในการค้นหายาใหม่และดีกว่านั้นเกี่ยวข้องกับการระบุตั้งแต่ระยะเริ่มต้น ซึ่งสารประกอบที่เป็นตัวเลือกมักจะพิสูจน์ได้ว่ามีประสิทธิภาพในการต่อสู้กับโรคเป้าหมาย เพื่อจุดประสงค์นี้ เราได้พัฒนา PaccMann (การทำนายความไวของสารประกอบต้านมะเร็งด้วยโครงข่ายประสาทเทียมแบบหลายโมดอล) ซึ่งเป็นโซลูชันการเรียนรู้เชิงลึกหลายรูปแบบที่ใช้ข้อมูลจากแหล่งที่แตกต่างกันเพื่อช่วยคาดการณ์ว่าเซลล์ในเนื้อเยื่อที่เป็นโรคจะตอบสนองต่อยาที่กำหนดอย่างไร ในงานวิจัยของเราเราใช้ PaccMann ในการทำนายความไวของเซลล์มะเร็งยาเสพติดที่รู้จักกันบรรลุอำนาจการพยากรณ์ที่เหนือกว่าเมื่อเทียบกับอัลกอริทึมที่มีอยู่[iv]