Grace Hopper 2020 ได้รับความนิยมอย่างมากจนทำให้เวิร์กช็อปคอมพิวเตอร์ควอนตัมของเราทำซ้ำ

Grace Hopper 2020 ได้รับความนิยมอย่างมากจนทำให้เวิร์กช็อปคอมพิวเตอร์ควอนตัมของเราทำซ้ำ

เครดิตฟรี

มาจากภูมิหลังการเริ่มต้นธุรกิจใน Silicon Valley ฉันเคยชินกับการประชุมทางเทคโนโลยีที่มีผู้ชายเข้าร่วมเป็นส่วนใหญ่ ผู้ชายจำนวนมากจนบางครั้งผู้จัดงานจำเป็นต้องเปลี่ยนห้องน้ำหญิงเป็นห้องน้ำชาย นี่เป็นเพียงสิ่งที่ฉันคิดไม่ถึงจนกระทั่งได้เข้าร่วม Grace Hopper เป็นครั้งแรกในปี 2017 ราวกับว่าฉันได้เข้าสู่จักรวาลอื่น และเปลี่ยนมุมมองของฉันไปโดยสิ้นเชิง

สล็อต

กรอไปข้างหน้าอย่างรวดเร็วจนถึงวันนี้ และเห็นได้ชัดว่าการประชุมแตกต่างกันเล็กน้อย เนื่องจากผู้หญิงหลายพันคนได้พบกันอย่างแท้จริงสำหรับการเฉลิมฉลอง Grace Hopper ปี 2020 ซึ่งเป็นการรวมตัวประจำปีของผู้หญิงในการประมวลผล แม้จะมีข้อจำกัด ก็ยังเป็นจุดสว่างสำหรับฉัน และรู้สึกเหลือเชื่อที่สามารถเฉลิมฉลองให้กับผู้หญิงในด้านเทคโนโลยี และในกรณีของเรา ผู้หญิงในคอมพิวเตอร์ควอนตัม
ในปีนี้ ทีมงาน IBM Quantum และ Qiskit ได้จัดการประชุมสองครั้ง Sarah Sheldon จาก IBM Quantum เข้าร่วมกับ Kate Timmerman จาก University of Chicago, Anastasia Marchenkova จาก Bleximo, Sophia Economou จาก Virginia Tech และ K. Birgitta Whaley จาก University of California, Berkeley เพื่อแนะนำคอมพิวเตอร์ควอนตัม หัวข้อและอธิบายว่าผู้เข้าร่วมจะมีส่วนร่วมได้อย่างไร จากนั้น Neereja Sundaresan ของ IBM Quantum, Maika Takita และ Soolu Thomas ได้นำเวิร์กช็อปเกี่ยวกับวิธีตั้งโปรแกรมคอมพิวเตอร์ควอนตัมโดยใช้ชุดพัฒนาซอฟต์แวร์โอเพ่นซอร์ส Qiskit มีผู้สนใจเข้าร่วมการเสวนาของ Grace Hopper เป็นจำนวนมาก — เวิร์กชอปขายหมดเกลี้ยง!
นอกจากนี้เรายังได้จัดบูธที่งานเสมือนจริง ซึ่งผู้เข้าร่วมสามารถสนทนาแบบตัวต่อตัวกับผู้เชี่ยวชาญ เนื่องจากนักศึกษาวิทยาลัยและผู้สำเร็จการศึกษาระดับวิทยาลัยจำนวนมากเข้าร่วมงานฉลอง Grace Hopper เพื่อเรียนรู้เกี่ยวกับโอกาสในการทำงานในสาขาต่างๆ Anne Gebbie ผู้จัดการผลิตภัณฑ์เพื่อการเติบโตที่ IBM Quantum และ Qiskit ช่วยดูแลบูธของเรา และนี่เป็นครั้งแรกที่เธอเข้าร่วมงาน “ฉันไม่เคยไปงานที่เน้นผู้หญิงมาก่อน” เธอกล่าว “พลังนั้นมีเอกลักษณ์และไม่มีใครเทียบได้ แม้แต่ในงาน Career Fair ก็รู้สึกเหมือนกับว่าบูธ Women in STEM ให้การสนับสนุนมากกว่าเมื่อเปรียบเทียบกับการประชุมอื่นๆ ที่ฉันเคยเข้าร่วม ประสบการณ์ทั้งหมดมีบรรยากาศที่เอื้อเฟื้อเผื่อแผ่และมีส่วนร่วม ซึ่งรู้สึกเหมือนว่าเราได้เรียนรู้จากกันและกัน ไม่เหมือนงานอาชีพอื่นๆ ที่ฉันเคยไปมาก่อน”
การเฉลิมฉลอง Grace Hopper ในปีนี้ยังคงเป็นสถานที่ที่ฉันสามารถทำความรู้จักกับผู้คนใหม่ๆ ที่ฉันเคยพบเมื่อหลายปีก่อน อย่างที่เคยเป็นมา ในช่วงหลายเดือนก่อนการประชุม ฉันได้เริ่มการสนทนาและข้อเสนอเกี่ยวกับงานของทีม IBM Quantum และ Qiskit เพื่อสร้างเนื้อหาที่มีความหมายซึ่งนำเสนอโดยทีมสตรีที่หลากหลาย เป็นการประชุมเดียวกันที่ใช้เวลาและความพยายามในการเตรียมการเท่าๆ กัน โดยมีผลประโยชน์เหมือนกัน ฉันแค่ไม่ต้องออกจากบ้าน
ปีนี้รู้สึกเหมือนเป็นช่วงเวลาสำคัญในการสะท้อนถึงการเติบโตของฉันเอง เช่นเดียวกับการเติบโตของผู้เข้าร่วมประชุมคนอื่นๆ ที่กลับมา ในงานฉลองสิริราชสมบัติครั้งก่อนๆ ของ Grace Hopper ฉันจำได้ว่าเคยเข้าร่วมการพูดคุยเรื่องการเอาชนะกลุ่มอาการหลอกลวงและการสร้างความมั่นใจ ปีนี้ ฉันกำลังสอนคนอื่นๆ เกี่ยวกับวิธีเสนอลิฟต์ให้กับผู้จัดการที่จ้างงาน
อาจรู้สึกเหมือนว่าเราควรจะเอาชนะความเหลื่อมล้ำทางเพศในโลกเทคโนโลยีได้ภายในปี 2020 อย่างไรก็ตาม ลองดูผู้ก่อตั้งสตาร์ทอัพและผู้นำในควอนตัมสเปซ แล้วคุณจะเห็นผู้ชายมากกว่าผู้หญิงอีกมาก ในขณะที่เปอร์เซ็นต์โดยรวมของผู้หญิงที่ได้รับปริญญาตรีฟิสิกส์และปริญญาเอกเพิ่มขึ้นอย่างต่อเนื่องเป็นเวลาหลายสิบปี ตัวเลขยังคงต่ำอย่างน่าผิดหวัง ปริญญาเอกฟิสิกส์น้อยกว่า 20% มอบให้กับผู้หญิงในขณะที่ปริญญาตรีฟิสิกส์มากกว่า 20% มอบให้กับผู้หญิง การประชุมอย่างเช่น Grace Hopper มีความสำคัญอย่างยิ่งในการแสดงให้เห็นว่าผู้หญิงสามารถและควรเป็นผู้นำในด้านเทคโนโลยีขั้นสูง
ท้ายที่สุด การประชุมครั้งนี้แสดงให้เห็นว่ามีผู้หญิงจำนวนมากที่สนใจในเทคโนโลยี และโดยเฉพาะในการคำนวณควอนตัม ผู้หญิงรู้สึกตื่นเต้นที่จะได้ดำดิ่งสู่ปัญหาใหม่ๆ ในสาขา STEM ในทางกลับกัน สาขาเหล่านี้ต้องการผู้หญิงมากขึ้นและมีความหลากหลายมากขึ้นโดยรวม เพื่อที่จะตัดสินใจได้ถูกต้อง โดยเฉพาะอย่างยิ่งในการคำนวณควอนตัม ซึ่งอุตสาหกรรมยังอยู่ในช่วงเริ่มต้นของการค้นหาว่าอุปกรณ์เหล่านี้สามารถทำอะไรได้บ้าง การเสริมพลังให้กลุ่มคนที่มีความกระตือรือร้นหลากหลายกลุ่มให้เข้ามามีส่วนร่วมในสาขานี้มีความสำคัญอย่างยิ่งในการทำให้มั่นใจว่าเทคโนโลยีนี้มีประโยชน์สูงสุดต่อคนส่วนใหญ่ และเราจะไม่พัฒนาเทคโนโลยีที่ก่อให้เกิดอันตรายโดยไม่ได้ตั้งใจ
เราชอบโอกาสที่จะได้พบปะผู้คนใหม่ๆ และนำเสนอเรื่อง Quantum Computing ให้กับผู้หญิงที่น่าทึ่งของ Grace Hopper ตั้งตารอและติดตามเราบน Twitterเนื่องจากเร็วๆ นี้เราจะประกาศการประชุมเชิงปฏิบัติการเรื่อง Quantum Computing ซ้ำสำหรับผู้ที่ไม่สามารถเข้าร่วมได้

สล็อตออนไลน์

ตั้งแต่ปีที่แล้ว พวกคุณหลายพันคนเข้าร่วม IBM Quantum และ Abe Asfaw ของ Qiskit สำหรับหลักสูตรการชนของ YouTube เกี่ยวกับการคำนวณควอนตัมที่เรียกว่า Coding with Qiskit เรารู้สึกตื่นเต้นที่จะประกาศว่าเราจะกลับมาในเร็วๆ นี้ด้วยซีซันสอง ซึ่งจัดโดย Jin-Sung Kim
การเข้ารหัสด้วยซีซั่นแรกของ Qiskit ครอบคลุมพื้นฐานของคอมพิวเตอร์ควอนตัม เช่น วิธีการติดตั้ง Qiskit วิธีเขียนวงจรควอนตัม และวิธีตั้งโปรแกรมอัลกอริทึมและโปรแกรมควอนตัมอย่างง่าย สำหรับซีซันที่สอง Jin จะเจาะลึกลงไปในอัลกอริทึมด้วยแอปพลิเคชันในโลกแห่งความเป็นจริง
Jin-Sung Kim เป็นสมาชิกเจ้าหน้าที่วิจัยของทีม IBM Quantum ในแคลิฟอร์เนีย เขาศึกษาอัลกอริธึมและแอปพลิเคชันควอนตัมด้วยความสนใจที่จะผลักดันอุปกรณ์ควอนตัมให้มีประสิทธิภาพสูงสุดในปัจจุบัน สำหรับคนที่คิดถึงอาเบะ ไม่ต้องกังวลไป คุณจะได้รับการดูแลอย่างดี Jin เป็นเพื่อนร่วมห้องของ Abe ที่Princeton
การเข้ารหัสด้วย Qiskit ในฤดูกาลนี้จะเน้นไปที่อัลกอริธึมควอนตัมที่ได้รับความนิยมสูงสุดบางส่วนในปัจจุบัน คุณจะได้เรียนรู้วิธีเรียกใช้ Variational Quantum Eigensolver (VQE) ซึ่งเป็นอัลกอริธึมควอนตัมคลาสสิกแบบไฮบริดที่จำลองพลังงานสถานะพื้นดินของโมเลกุล อัลกอริทึมนี้อาจมีประโยชน์ในวันหนึ่งในการพัฒนาโมเลกุลใหม่เพื่อใช้เป็นยาหรือวัสดุ คุณจะได้เรียนรู้ Quantum Support Vector Machine (QSVM) ซึ่งเป็นอัลกอริธึมแมชชีนเลิร์นนิงที่มีแนวโน้มว่าจะจัดประเภทข้อมูลตามคุณสมบัติต่างๆ
ไม่มีเวลาใดที่ดีไปกว่านี้แล้วที่จะมีส่วนร่วมในการคำนวณควอนตัม และเราต้องการให้ง่ายที่สุดสำหรับคุณในการเรียนรู้วิธีเขียนโปรแกรมคอมพิวเตอร์ควอนตัมด้วยตัวคุณเอง เราหวังว่าคุณจะปฏิบัติตาม – หากทำได้ คุณจะสร้างอัลกอริทึมควอนตัมในเวลาไม่นาน
ซีซั่นที่สองของ Coding with Qiskit จะเริ่มในวันศุกร์นี้ ดูทีเซอร์ด้านบน และสมัครรับข้อมูล Qiskit YouTube ที่นี่เพื่อให้คุณไม่พลาดทุกตอน
เป็นเวลาหลายทศวรรษแล้วที่ IBM Research ได้ผลักดันขีดจำกัดของสิ่งที่เทคโนโลยี AI สามารถทำได้ เราได้เผยแพร่ผลงานของเราในการประชุมระดับชั้นนำ และทำงานร่วมกับลูกค้าและทีมผลิตภัณฑ์ของเราเพื่อมอบคุณค่าที่แท้จริงให้กับผู้คนผ่านความก้าวหน้าทางเทคโนโลยี ตอนนี้ เรากำลังนำเทคโนโลยีนั้นมามอบให้คุณ เพื่อให้คุณสามารถสำรวจ เรียนรู้ และอาจต่อยอดจากนวัตกรรมบางอย่างของเรา
ชุดเทคโนโลยีที่เราเลือกเริ่มต้นในการทดลอง AIhub เน้นที่ความกว้างของวาระการวิจัยของเรา เรามีกล่องเครื่องมือ Adversarial Robustness Toolbox ซึ่งเป็นไลบรารีโอเพนซอร์สสำหรับการทำให้ระบบ AI มีความปลอดภัยมากขึ้น มันรวบรวมคอลเลกชันของการโจมตีที่รู้จักกับโครงข่ายประสาทเทียม รวมถึงชุดเทคนิคในการปกป้องแบบจำลองของคุณ เรามีตัวอย่าง NeuNetS ซึ่งเป็นเทคโนโลยีที่สร้างโครงข่ายประสาทเทียมที่ปรับให้เหมาะสมโดยอัตโนมัติสำหรับชุดข้อมูลที่กำหนด เทคโนโลยีนี้เป็นส่วนหนึ่งของ IBM Watson Studio เรามีโครงการ AI Fairness 360 ซึ่งมีชุดอัลกอริธึมเพื่อตรวจจับและลดอคติที่ไม่ต้องการในแบบจำลอง AI และเรามีตัวเร่งแบบแอนะล็อกตัวใหม่ที่เข้ารหัสน้ำหนักของโครงข่ายประสาทเทียมให้อยู่ในสถานะการนำไฟฟ้าของเมมริสเตอร์แอนะล็อก ผลที่ได้คือชิปที่มีศักยภาพในการฝึกโครงข่ายประสาทเทียมได้เร็วกว่าอย่างเห็นได้ชัด และอนุมานโดยใช้พลังงานที่ต่ำกว่ามาก
เรามีการทดลองอีกสองสามแผนสำหรับเดือนที่จะถึงนี้ ดูพื้นที่นี้! ในระหว่างนี้ เราชอบที่จะรู้ว่าคุณคิดอย่างไร ทวีตหาเราที่ @IBMResearch และแบ่งปันความคิดของคุณ!

jumboslot

แพลตฟอร์มฮาร์ดแวร์ที่ล้ำสมัยสำหรับการฝึก Deep Neural Network (DNN) กำลังเปลี่ยนจากการคำนวณแบบ single precision (32 บิต) แบบเดิมๆ ไปสู่ความแม่นยำ 16 บิต ส่วนใหญ่เป็นเพราะประสิทธิภาพการใช้พลังงานสูงและการจัดเก็บบิตที่เล็กลง ด้วยการใช้การแสดงภาพที่มีความแม่นยำลดลง ในเอกสารการประชุมเรื่อง Neural Information Processing Systems (NeurIPS) เรื่อง “Training Deep Neural Networks with 8-bit Floating Point Numbers” (ผู้เขียน: Naigang Wang, Jungwook Choi, Daniel Brand, Chia-Yu Chen, Kailash Gopalakrishnan) เราสาธิตให้ ครั้งแรก การฝึก DNN ที่ประสบความสำเร็จโดยใช้ตัวเลขทศนิยม 8 บิต (FP8) ในขณะที่ยังคงรักษาความถูกต้องบนสเปกตรัมของโมเดลและชุดข้อมูลการเรียนรู้เชิงลึกอย่างเต็มที่ การปรับปรุงประสิทธิภาพและพลังงานที่เกี่ยวข้องจะทำหน้าที่เป็นตัวกระตุ้นต่อไปในการพัฒนาแบบจำลอง AI
เครื่องเร่งความเร็ว AI แบบดิจิทัลพร้อมการคำนวณโดยประมาณ
ในอดีต การประมวลผลประสิทธิภาพสูงอาศัยการคำนวณเลขทศนิยมแบบ 64 และ 32 บิตที่มีความแม่นยำสูง วิธีการนี้ให้ความแม่นยำที่สำคัญสำหรับงานคอมพิวเตอร์ทางวิทยาศาสตร์ เช่น การจำลองหัวใจมนุษย์หรือการคำนวณวิถีกระสวยอวกาศ แต่เราต้องการความแม่นยำระดับนี้สำหรับการรับรู้ทั่วไปและงานการให้เหตุผล เช่น การรู้จำคำพูด การจำแนกรูปภาพ และการแปลภาษาหรือไม่ คำตอบคืองานเหล่านี้จำนวนมาก (สำเร็จในวันนี้โดยใช้การเรียนรู้เชิงลึก) สามารถคำนวณได้อย่างมีประสิทธิภาพด้วยเทคนิคโดยประมาณ
[NPC5]ตั้งแต่ความแม่นยำเต็มรูปแบบแทบไม่ต้องมีสำหรับการเรียนรู้ร่วมกันปริมาณงานที่ลึกแม่นยำลดลงเป็นทิศทางธรรมชาติ การสร้างบล็อคทางคอมพิวเตอร์ที่มีเอ็นจิ้นความแม่นยำ 16 บิตมักจะเล็กกว่าบล็อกที่เทียบเคียงได้ที่มีความแม่นยำ 32 บิตถึง 4 เท่า; การเพิ่มประสิทธิภาพของพื้นที่นี้แปลโดยตรงเป็นการเพิ่มประสิทธิภาพอย่างมีนัยสำคัญและประสิทธิภาพการใช้พลังงานสำหรับการฝึกอบรม AI และการอนุมานปริมาณงาน กล่าวอย่างง่าย ๆ ในการคำนวณโดยประมาณ เราสามารถแลกเปลี่ยนความแม่นยำเชิงตัวเลขสำหรับการปรับปรุงปริมาณงานทางคอมพิวเตอร์ได้ หากเรายังพัฒนาการปรับปรุงอัลกอริทึมเพื่อรักษาความถูกต้องของแบบจำลอง วิธีการนี้ยังช่วยเสริมเทคนิคการคำนวณโดยประมาณอื่นๆ ซึ่งรวมถึงงานล่าสุดของเราที่อธิบายวิธีการบีบอัดการฝึกแบบใหม่เพื่อตัดค่าใช้จ่ายด้านการสื่อสาร ซึ่งนำไปสู่เร็วขึ้น 40-200xเมื่อเทียบกับวิธีการบีบอัดที่มีอยู่