Претендент №1 на «научного Оскара» в 2021.
Прорыв за горизонт проверяемых знаний ведет к пониманию отличий интеллекта человека и машины.
Коронавирус в комплекте с обнулением достали. Поэтому хочу перенестись на год вперед, где вышеупомянутое, надеюсь, останется в прошлом. А вместо всякой гадости, люди будут обсуждать произошедший прорыв в науке. Что это будет за прорыв, можно предположить уже сегодня. Об этом я и собираюсь рассказать. Так что заголовок – вовсе не кликбейт, и уж тем более не шутка.
Международное исследование 4-х авторов из Австралии, США и Канады, поданное в январе 2020 на рецензирование, выполнено на стыке физики, информатики и математики, и его название сильно смахивает на Е = mc^2. Эта 165-ти страничная работа, содержащая 155 формул размером до 6 строк, называется «MIP * = RE».
Рецензировать работу такого объема будут до года. И как считают некоторые весьма авторитетные ученые, она успешно пройдет рецензирование. А после этого начнется большой бэнц. Ведь эта работа не только опровергает пару крутейших современных теорий (одну из физики, вторую из математики). Она еще и открывает новый горизонт будущей науки, которая настолько превзойдет современный уровень, что будет решать задачи, сегодня считающиеся неразрешимыми. Речь идет о расширении границ проверяемых знаний. А точнее, знаний, поддающихся компьютерной проверке.
Современная наука устанавливает горизонт доступных нам проверяемых знаний. Что за горизонтом, - не известно. А чтобы отодвинуть этот горизонт, нужны другие законы физики, описывающие нашу реальность. При ином описании реальности иными законами физики, возможно использование более сложной теории вероятностей с иными, более сложными причинно-следственными связями. И возможно, тогда удастся заглянуть за горизонт проверяемых знаний и, среди прочего, понять, как построить сильный ИИ.
Но ведь у нас уже есть иная физика с иными законами, описывающими нашу же реальность, но с другими причинно-следственными отношениями. Это квантовая теория.
И что – это реально работает и позволяет решать какие-то неразрешимые для современной науки проблемы?
Новое исследование доказывает, что да. Это работает.
Продолжить чтение (еще на 10 мин.):
- на Medium https://bit.do/fAHQi
- на Яндекс Дзен https://clck.ru/MWUmy
#вычислительная_сложность #квантовые_вычисления #запутывание #сильныйИИ
Прорыв за горизонт проверяемых знаний ведет к пониманию отличий интеллекта человека и машины.
Коронавирус в комплекте с обнулением достали. Поэтому хочу перенестись на год вперед, где вышеупомянутое, надеюсь, останется в прошлом. А вместо всякой гадости, люди будут обсуждать произошедший прорыв в науке. Что это будет за прорыв, можно предположить уже сегодня. Об этом я и собираюсь рассказать. Так что заголовок – вовсе не кликбейт, и уж тем более не шутка.
Международное исследование 4-х авторов из Австралии, США и Канады, поданное в январе 2020 на рецензирование, выполнено на стыке физики, информатики и математики, и его название сильно смахивает на Е = mc^2. Эта 165-ти страничная работа, содержащая 155 формул размером до 6 строк, называется «MIP * = RE».
Рецензировать работу такого объема будут до года. И как считают некоторые весьма авторитетные ученые, она успешно пройдет рецензирование. А после этого начнется большой бэнц. Ведь эта работа не только опровергает пару крутейших современных теорий (одну из физики, вторую из математики). Она еще и открывает новый горизонт будущей науки, которая настолько превзойдет современный уровень, что будет решать задачи, сегодня считающиеся неразрешимыми. Речь идет о расширении границ проверяемых знаний. А точнее, знаний, поддающихся компьютерной проверке.
Современная наука устанавливает горизонт доступных нам проверяемых знаний. Что за горизонтом, - не известно. А чтобы отодвинуть этот горизонт, нужны другие законы физики, описывающие нашу реальность. При ином описании реальности иными законами физики, возможно использование более сложной теории вероятностей с иными, более сложными причинно-следственными связями. И возможно, тогда удастся заглянуть за горизонт проверяемых знаний и, среди прочего, понять, как построить сильный ИИ.
Но ведь у нас уже есть иная физика с иными законами, описывающими нашу же реальность, но с другими причинно-следственными отношениями. Это квантовая теория.
И что – это реально работает и позволяет решать какие-то неразрешимые для современной науки проблемы?
Новое исследование доказывает, что да. Это работает.
Продолжить чтение (еще на 10 мин.):
- на Medium https://bit.do/fAHQi
- на Яндекс Дзен https://clck.ru/MWUmy
#вычислительная_сложность #квантовые_вычисления #запутывание #сильныйИИ
Medium
Претендент №1 на «научного Оскара» в 2021
Прорыв за горизонт проверяемых знаний ведет к пониманию отличий интеллекта человека и машины
Прорыв к квантовому ИИ и квантовому превосходству.
Доказана теорема упрощения Гильбертова пространства обучения квантового ИИ до нескольких точек.
Для машинного обучения ИИ значение этого прорыва команды проекта «За пределами закона Мура» может стать в один ряд с прорывом команды Манхэттенского проекта, нашедшей путь к созданию атомной бомбы.
Удивительно, что оба эти прорыва совершены с интервалом в 80 лет в одной и той же Лос-Аламосской национальной лаборатории США – детище великих Ванневара Буша и Роберта Оппенгеймера.
Но еще больше меня поражает, что как и с атомной бомбой, прорыв стал возможен благодаря лишь творческой гениальности нескольких теоретиков, совершивших открытие не на каком-то дорогущем оборудовании типа коллайдера, а буквально на кончике пера – на сей раз, доказав 4 новых теоремы.
• Для машинного обучения (МО) современных систем искусственного интеллекта (ИИ) требуются колоссальные объемы данных. Для их обработки при обучении моделей необходима огромная вычислительная мощность.
• На пути роста вычислительной мощности закон Мура, преодолеть который разработчики надеются переходом на квантовые компьютеры и квантовое МО.
• Для процесса квантового МО количество параметров или переменных будет определяться размером математической конструкции, называемой Гильбертовым пространством, которое становится экспоненциально большим при обучении на большом количестве кубитов (кубит, или квантовый бит, является основной вычислительной единицей квантовых вычислений и аналогичен биту в классических вычислениях). Такой размер Гильбертового пространства делает квантовое МО практически невозможным в вычислительном отношении.
• До сего времени предполагалось, что Гильбертово пространство для всего-то 30 кубитов будет состоять из миллиарда состояний. И тогда при обучении модели для поиска в этом пространстве потребуется миллиард точек данных.
И вот прорыв. Из доказанных теоретиками Лос-Аламосской лаборатории 4-х теорем следует, что при квантовом МО не нужно шерстить все Гильбертово пространство, а нужно лишь столько точек данных, сколько параметров в вашей модели. Для многих моделей число параметров, примерно, равно количеству кубитов —т.е. для квантового компа с 30 кубитами потребуется всего около 30 точек данных.
Значение этого прорыва огромно, т.к. оно даёт гарантии эффективности даже для классических алгоритмов, имитирующих квантовые модели ИИ. В этом случае обучающие данные и компиляцию модели можно обсчитывать на классическом компьютере (что упрощает процесс). А затем модель МО запускается на квантовом компьютере.
Это существенно снижает требования к производительности квантового компьютера, в отношении шума и ошибок при выполнения значимых квантовых симуляций.
Из чего следует, что мы все ближе к практической реализации квантового превосходства.
Подробней:
- популярно
- научно
#квантовые_вычисления #ИИ
Доказана теорема упрощения Гильбертова пространства обучения квантового ИИ до нескольких точек.
Для машинного обучения ИИ значение этого прорыва команды проекта «За пределами закона Мура» может стать в один ряд с прорывом команды Манхэттенского проекта, нашедшей путь к созданию атомной бомбы.
Удивительно, что оба эти прорыва совершены с интервалом в 80 лет в одной и той же Лос-Аламосской национальной лаборатории США – детище великих Ванневара Буша и Роберта Оппенгеймера.
Но еще больше меня поражает, что как и с атомной бомбой, прорыв стал возможен благодаря лишь творческой гениальности нескольких теоретиков, совершивших открытие не на каком-то дорогущем оборудовании типа коллайдера, а буквально на кончике пера – на сей раз, доказав 4 новых теоремы.
• Для машинного обучения (МО) современных систем искусственного интеллекта (ИИ) требуются колоссальные объемы данных. Для их обработки при обучении моделей необходима огромная вычислительная мощность.
• На пути роста вычислительной мощности закон Мура, преодолеть который разработчики надеются переходом на квантовые компьютеры и квантовое МО.
• Для процесса квантового МО количество параметров или переменных будет определяться размером математической конструкции, называемой Гильбертовым пространством, которое становится экспоненциально большим при обучении на большом количестве кубитов (кубит, или квантовый бит, является основной вычислительной единицей квантовых вычислений и аналогичен биту в классических вычислениях). Такой размер Гильбертового пространства делает квантовое МО практически невозможным в вычислительном отношении.
• До сего времени предполагалось, что Гильбертово пространство для всего-то 30 кубитов будет состоять из миллиарда состояний. И тогда при обучении модели для поиска в этом пространстве потребуется миллиард точек данных.
И вот прорыв. Из доказанных теоретиками Лос-Аламосской лаборатории 4-х теорем следует, что при квантовом МО не нужно шерстить все Гильбертово пространство, а нужно лишь столько точек данных, сколько параметров в вашей модели. Для многих моделей число параметров, примерно, равно количеству кубитов —т.е. для квантового компа с 30 кубитами потребуется всего около 30 точек данных.
Значение этого прорыва огромно, т.к. оно даёт гарантии эффективности даже для классических алгоритмов, имитирующих квантовые модели ИИ. В этом случае обучающие данные и компиляцию модели можно обсчитывать на классическом компьютере (что упрощает процесс). А затем модель МО запускается на квантовом компьютере.
Это существенно снижает требования к производительности квантового компьютера, в отношении шума и ошибок при выполнения значимых квантовых симуляций.
Из чего следует, что мы все ближе к практической реализации квантового превосходства.
Подробней:
- популярно
- научно
#квантовые_вычисления #ИИ
The Quantum Insider
Quantum AI May Need Only Minimal Data -- Proof Takes Step Toward Quantum Advantage
Training a quantum neural network requires only a small amount of data, according to a new proof from Los Alamos National Lab.