IBM Quantum Hub แห่งแรกในเอเชียเพื่อกระตุ้นระบบควอนตัมเชิงวิชาการและเชิงพาณิชย์

IBM Quantum Hub แห่งแรกในเอเชียเพื่อกระตุ้นระบบควอนตัมเชิงวิชาการและเชิงพาณิชย์

เครดิตฟรี

ไอบีเอ็มสร้าง “ซูเปอร์คอมพิวเตอร์” หลอดสุญญากาศเครื่องแรกในปี ค.ศ. 1944 ซึ่งมีชื่อว่า Mark I เมนเฟรมดิจิทัลเครื่องแรกคือ IBM 1401 มาในอีก 15 ปีต่อมาในปี 2502 เมนเฟรมของ IBM 360 สร้างประวัติศาสตร์เมื่อเปิดตัวในปี 2507 แต่มันจะเป็นอีกรุ่นหนึ่ง 17 ปีก่อนพีซีจะมาถึง – คอมพิวเตอร์ที่ผู้คนสามารถใช้ในบ้านได้ ก่อนหน้านั้น คอมพิวเตอร์อาศัยอยู่ในห้องปฏิบัติการของมหาวิทยาลัยและองค์กรขนาดใหญ่ ต้องใช้ความรู้เฉพาะทางมากมายในการรู้วิธีเข้าถึงและใช้งาน
คอมพิวเตอร์ควอนตัมของเราไม่เดินตามรอยบรรพบุรุษทางเทคโนโลยีอย่างแน่นอน IBM ได้จัดทำคอมพิวเตอร์ควอนตัมตัวนำยิ่งยวด 5 คิวบิตเครื่องแรกพร้อมให้ทุกคนทดลองใช้ทางออนไลน์ในปี 2559 ซึ่งกระตุ้นให้มีการเปิดตัวระบบที่ใหญ่กว่าและดีกว่า แต่สิ่งที่สำคัญไม่แพ้กัน ก็กระตุ้นให้มีการใช้ระบบที่หลากหลายและแพร่หลายมากขึ้น

สล็อต

ศูนย์การค้าแห่งเอเชียแห่งแรกของ IBM Q Q
สัมผัสควอนตัม
ปัจจุบันมีผู้ใช้มากกว่า80,000รายทำการทดลองกับ Quantum Experience ของ IBM มากกว่า4 ล้านครั้ง และผู้ใช้เหล่านั้นกำลังผลิตงานวิจัยจริง – มีการเผยแพร่เอกสารทางวิทยาศาสตร์70ฉบับโดยอิงจากการทดลองที่ทำงานบนระบบฟรีเหล่านี้
Keio University ของญี่ปุ่น ซึ่งเป็นศูนย์กลางการค้าแห่งแรกของ IBM Quantum ในเอเชีย เป็นพิภพเล็กของระบบนิเวศควอนตัมนี้ มหาวิทยาลัยซึ่งเป็นสมาชิกผู้ก่อตั้ง IBM Quantum Network เพิ่งประกาศสมาชิกของตนเอง: JSR, MUFG Bank, Mizuho Financial Group และ Mitsubishi Chemical
พวกเขาเข้าร่วมฮับของ Keio เพื่อสำรวจคอมพิวเตอร์ควอนตัมโดยประมาณที่เป็นสากลในปัจจุบันโดยใช้ระบบ 20 บิตระดับพรีเมียมของเรา รวมถึงระบบIBM Quantum Experienceแบบเปิด 5 และ 16 บิตของเรา เป้าหมายของพวกเขาคือการเรียนรู้วิธีที่พวกเขาสามารถพัฒนาแอปพลิเคชั่นที่ใช้งานได้จริงอย่างรวดเร็วซึ่งสามารถทำสิ่งต่าง ๆ ที่คอมพิวเตอร์ในปัจจุบันไม่สามารถทำได้ ลองใส่ “อย่างรวดเร็ว” ในมุมมองแม้ว่า คอมพิวเตอร์ควอนตัมจะไม่พัฒนายาตัวใหม่ในอีก 10 ปีข้างหน้า แต่โซลูชันที่มีความได้เปรียบด้านควอนตัมอาจเกิดขึ้นได้ในเวลาน้อยกว่า 40 ปี ในการนำความสามารถในการคำนวณแบบคลาสสิกเหล็กขนาดใหญ่มาอยู่ในมือของเราในรูปแบบของสมาร์ทโฟนและซอฟต์แวร์โอเพ่นซอร์ส (ชุดพัฒนาซอฟต์แวร์ข้อมูลควอนตัมของ IBM Quantum Qiskit มีอยู่แล้วใน github )
เตรียมควอนตัมรุ่นต่อไปให้พร้อม
Keio มีส่วนร่วมในการประมวลผลควอนตัมเป็นเวลาสองทศวรรษ โดยเป็นผู้นำการวิจัยในการพัฒนาอุปกรณ์ควอนตัมที่ใช้ซิลิกอน พวกเขายังเสนอการทำความเข้าใจคอมพิวเตอร์ควอนตัมมอก. คณบดีคณะวิทยาศาสตร์และเทคโนโลยี Dr. Kohei Itoh ผู้ริเริ่มการวิจัยข้อมูลควอนตัมของมหาวิทยาลัย และเพื่อนร่วมงานของเขา Dr. Naoki Yamamoto ประธาน IBM Quantum Hub ของ Keio และ Dr. Rodney Van Meter รองประธาน IBM ของ Keio Quantum Hub จะอำนวยความสะดวกให้กับงานที่ทำระหว่างนักเรียนและพันธมิตรในอุตสาหกรรมใหม่ของพวกเขา – ทั้งหมดผ่านระบบ 20-qubit, 16-qubit และ 5-qubit ของ IBM Quantum ศาสตราจารย์ Yamamoto และ Van Meter ไม่เพียงแต่สอนนักเรียนถึงวิธีใช้และทำความเข้าใจคอมพิวเตอร์ควอนตัมเท่านั้น แต่พวกเขากำลังเตรียมงานในสาขาใหม่ที่บริษัทต่างๆ เช่น JSR, MUFG Bank, Mizuho และ Mitsubishi อยู่เคียงข้างอุตสาหกรรม เคมีภัณฑ์กำลังมองหา
ในขณะที่วิวัฒนาการไปสู่ระบบที่มีประสิทธิภาพมากขึ้นในอีกไม่กี่ปีข้างหน้า นักเรียนมัธยมปลายจากโรงเรียนมัธยมศึกษาตอนปลายมากกว่า 1,500 แห่งก็กำลัง “เตรียมพร้อมควอนตัม” ด้วย IBM Q Experience เพื่อเตรียมพวกเขาให้เข้าร่วม Keio หรือศูนย์กลางมหาวิทยาลัยอื่น ๆ และมีส่วนร่วมในการพัฒนาที่เรามี ยังไม่ได้กล้าที่จะเดาเลย
สำหรับมุมมองทางประวัติศาสตร์อีกเล็กน้อย เครื่อง tabulators ตัวแรกของ IBM ผลิตขึ้นในญี่ปุ่น… ในปี 1925 เครื่องเหล่านี้เป็นบรรพบุรุษของ Mark I แม้ว่าการตระหนักถึงศักยภาพสูงสุดของควอนตัมคอมพิวติ้งจะใช้เวลาหลายทศวรรษ แต่ก็ใช้เวลาไม่นานในการเข้าถึงโลก ถึงพวกเขา. IBM ให้บริการคอมพิวเตอร์ควอนตัมจริงพร้อมฮาร์ดแวร์จริงบนคลาวด์ในปัจจุบัน

สล็อตออนไลน์

ปริซึมคู่ขนาน: โทโพโลยีสำหรับการใช้งานไปป์ไลน์ของโครงข่ายประสาทเทียม (CNNs) โดยใช้หน่วยความจำคอมพิวเตอร์
โดย M. Dazzi et al. (NeurIPS)
ในการพัฒนาฮาร์ดแวร์สำหรับ AI การใช้หน่วยความจำคอมพิวเตอร์ทำให้เกิดโอกาสใหม่ๆ นักวิจัยได้จับคู่น้ำหนัก synaptic ที่สอดคล้องกับแต่ละเลเยอร์กับคอร์หน่วยความจำคอมพิวเตอร์ (CM) หนึ่งคอร์ขึ้นไป แม้ว่าสถาปัตยกรรมนี้สามารถเปิดใช้งานการดำเนินการของเครือข่ายเหล่านี้ในแบบไปป์ไลน์ขั้นสูง การออกแบบแฟบริกการสื่อสารที่มีประสิทธิภาพกลายเป็นความท้าทายหลัก กระดาษ5 Parallel Prism: โทโพโลยีสำหรับการใช้งานไปป์ไลน์ของเครือข่ายประสาทเทียม (CNNs) โดยใช้หน่วยความจำคอมพิวเตอร์นำเสนอโทโพโลยีการสื่อสารแบบใหม่ที่อนุญาตให้ดำเนินการไปป์ไลน์แบบไม่เรียงลำดับของ CNN ที่ล้ำสมัยทั้งหมด รวมถึง ResNet, Inception และ DenseNet เมื่อเปรียบเทียบกับโทโพโลยีการสื่อสารที่เป็นที่ยอมรับ การนำเสนอโดย Dazzi et al ให้ปัจจัยสำคัญในการพัฒนาปริมาณงาน (7x) และแบนด์วิดธ์ (4x)
การบรรจบกันของ DNN กับการทำให้เป็นมาตรฐานตามข้อมูลร่วมกัน
โดย H. Jonsson et al (นิวริปส์)
โดยทั่วไป แนวคิดทฤษฎีสารสนเทศจะเข้าใจและปรับปรุง DNN อย่างไรก็ตาม การประมาณค่าข้อมูลร่วมกัน (MI) มีความสำคัญสำหรับตัวแปรสุ่มที่มีมิติต่อเนื่องสูง กระดาษConvergence of DNNs ที่มีการทำให้เป็นมาตรฐานตามข้อมูลร่วมกันจะตรวจสอบการบรรจบกันของค่าประมาณ MI ระหว่างเลเยอร์ที่ซ่อนอยู่และอินพุต/เอาต์พุตของเครือข่ายสำหรับ VGG-16 ที่ล้ำสมัย มันแสดงให้เห็นว่าการทำให้เป็นมาตรฐานตาม MI ปรับปรุงและทำให้ความแม่นยำในการทดสอบมีเสถียรภาพและป้องกันไม่ให้แบบจำลองเกินขนาด โดยเฉพาะอย่างยิ่งสำหรับยุคการฝึกอบรมจำนวนมาก คาดว่าวิธีการเหล่านี้จะเพิ่มความคงทนของการใช้งานแอนะล็อกของ DNN
คำถามสำคัญในวิทยาศาสตร์ข้อมูลคือการกำหนดตัวแปรหรือคุณลักษณะในชุดข้อมูลที่เกี่ยวข้องกับการทำนายผลลัพธ์เฉพาะ ปัญหานี้เรียกว่าการเลือกคุณลักษณะและมีการใช้งานที่สำคัญในหลายสาขาวิชารวมทั้งธุรกิจและวิทยาศาสตร์ จีโนมิกส์เป็นตัวอย่างหนึ่ง เนื่องจากการสร้างยีนเฉพาะที่รับผิดชอบต่อโรคใดโรคหนึ่ง อาจส่งผลต่อการตัดสินใจทางการแพทย์ที่สำคัญ
การเลือกคุณลักษณะยังเป็นรากฐานที่สำคัญของความสามารถในการตีความได้ ซึ่งเป็นข้อกำหนดที่สนับสนุนการปรับใช้แบบจำลองการตัดสินใจที่ทั้งใช้งานได้และเชื่อถือได้ ด้วยเหตุนี้ ความสามารถในการตีความจึงเป็นที่ต้องการมากขึ้นในหลายอุตสาหกรรม เช่น การดูแลสุขภาพและการเงิน ความน่าเชื่อถือในแง่ของการควบคุมอัตราการค้นพบเท็จ (FDR) ของการเลือกตัวแปรทดลองก็เป็นพื้นฐานในการวิจัยขั้นพื้นฐานเช่นกัน ซึ่งเป็นวิธีการบรรเทาวิกฤตการทำซ้ำที่กล่าวถึงในเอกสารทางวิทยาศาสตร์ล่าสุด

jumboslot

ในการประชุมและการประชุมเชิงปฏิบัติการปี 2019 เกี่ยวกับระบบประมวลผลข้อมูลประสาท (NeurIPS)ในวันที่8-14ธันวาคม ในเมืองแวนคูเวอร์ รัฐบริติชโคลัมเบียIBM Research AIจะจัดแสดงบทความใหม่ ” Sobolev Independence Criterion ” ในบทความนี้ ทีมงานของเราได้เสนอมาตรการพึ่งพาที่ตีความได้แบบใหม่ที่เรียกว่า Sobolev Independence Criterion (SIC) ซึ่งให้คะแนนความสำคัญของคุณลักษณะที่สามารถใช้ควบคุม FDR ได้
กระดาษ NeurIPS ของเราจะนำเสนอในวันที่ 10 ธันวาคม เวลา 10:45 น. ถึง 12:45 น. ที่ East Exhibition Hall B + C #46 รหัสสำหรับการทำซ้ำผลลัพธ์ที่ได้ในกระดาษที่มีอยู่ที่นี่
การเลือกคุณสมบัติและการควบคุม FDR
ให้เวกเตอร์มิติสูงx (เช่น การแสดงออกของยีน) ปัญหาการเลือกคุณลักษณะประกอบด้วยการเลือกเซ็ตย่อยของตัวแปรxjที่เกี่ยวข้องกับการทำนายตัวแปรการตอบสนองy (เช่น การมีอยู่หรือไม่มีโรค) โดยทั่วไปแล้วจะทำโดยการสร้างแบบจำลองการคาดคะเนที่มากพอที่จะจับการขึ้นต่อกันระหว่างxและyและกำหนดคะแนนความสำคัญสำหรับแต่ละคุณลักษณะ และวิธีการคัดเลือกที่ใช้คะแนนเหล่านั้นเพื่อจัดอันดับและเลือกคุณลักษณะในขณะที่ควบคุมการค้นพบที่ผิดพลาด
วิธีหลักในการพิจารณาคุณสมบัติหลักคือการทดสอบการเลือกคุณสมบัติด้วยสมมติฐานที่ขึ้นต่อกันหลายสมมติฐาน ซึ่งเรียกว่าการเลือกการขึ้นต่อกันแบบมีเงื่อนไข เทคนิคนี้เป็นหัวใจสำคัญของการทดสอบ Holdout Randomization Test (HRT) และ Knockoff Filter ที่เพิ่งเปิดตัวสำหรับการควบคุม FDR
ความคิดคือการตรวจสอบว่าสมมติฐานที่ว่า XJ ไม่ได้เป็นสิ่งสำคัญที่จะกำหนดY ถ้าสมมติฐาน (null) นี้ถูกปฏิเสธโดยข้อมูล เราสามารถพูดได้ว่าxj มีความเกี่ยวข้องจริงๆ ลักษณะที่มีประสิทธิภาพของแนวทางนี้คือ สมมติฐานว่างนี้สามารถแสดงเป็นข้อสันนิษฐานว่าy และคุณลักษณะxj เป็นอิสระจากคุณลักษณะอื่นๆ จากนั้น จำลองสถานการณ์นี้ผ่านการสุ่มตัวอย่างอย่างตรงไปตรงมาเพื่อประเมินความน่าจะเป็นที่เข้ากันได้กับการพึ่งพาที่สังเกตได้ในข้อมูล (เช่น ค่า p)
ก่อนศิลปะ
จนถึงปัจจุบัน วิธีการที่นิยมมากที่สุดสำหรับการเลือกคุณลักษณะคือ โมเดลเชิงเส้นแบบกระจาย เช่น Lasso และ Elastic Nets แม้ว่าตัวแบบเชิงเส้นดังกล่าวจะมีข้อดีคือสามารถตีความได้ และน้ำหนักของโมเดลสามารถใช้เป็นคะแนนความสำคัญของคุณลักษณะได้ แต่ก็ล้มเหลวในการจับการขึ้นต่อกันที่ไม่เป็นเชิงเส้น Random Forests เป็นเทคนิคยอดนิยมอีกวิธีหนึ่งที่สามารถจับภาพการพึ่งพาที่ไม่เป็นเชิงเส้น แต่มีข้อเสียที่ทำให้พวกเขาให้คะแนนความสำคัญของคุณลักษณะฮิวริสติกเท่านั้น เป็นที่ทราบกันดีว่าเครือข่ายระดับลึกมีความจุสูงในการจับภาพการพึ่งพาที่ไม่เป็นเชิงเส้น และในขณะที่บางส่วนโพสต์เฉพาะกิจ มีการเสนอการวิเคราะห์พฤติกรรมเพื่อกำหนดความสำคัญของฟีเจอร์เชิงลึก เป้าหมายของงานของเราคือการกำหนดสถิติฟีเจอร์ที่เหมาะสมสำหรับเครือข่ายระดับลึกที่สามารถใช้สำหรับการเลือกคุณสมบัติตามหลักการร่วมกับวิธีการควบคุม FDR เช่น HRT และการน็อคออฟ
[NPC5]SIC: การเลือกคุณสมบัติเป็นการเพิ่มการพึ่งพาสูงสุดด้วย Sparsity แบบไม่เชิงเส้นก่อนหน้า
งานของเราเริ่มต้นด้วยการนำเสนอการวัดผลการพึ่งพาทางสถิติใหม่ เรียกว่า Sobolev Independence Criterion (SIC) เป็นการแสดงออกถึงการพึ่งพาระหว่างเวกเตอร์อินพุตx=(x1…xd)และตัวแปรตอบสนอง yเนื่องจากความคลาดเคลื่อนระหว่างpxyการกระจายร่วมและผลิตภัณฑ์ของ marginals pxpyตามปริมาณโดยฟังก์ชันพยานฉ สิ่งนี้สามารถกำหนดพารามิเตอร์ด้วยโครงข่ายประสาทเทียมลึกและมีบทบาทในการเลือกปฏิบัติระหว่างตัวอย่างจากการแจกแจงข้อต่อที่สังเกตได้และตัวอย่างที่ดึงมาจากการแจกแจงของ x และy อย่างอิสระ ตามที่ระบุไว้ในบทความนี้ เป็นไปได้ที่จะแสดงการ