Produziert von: Science Popularization China Autor: Luan Chunyang (Institut für Physik, Tsinghua-Universität) Hersteller: China Science Expo Letztes Mal haben wir gesagt, dass Quanten-Künstliche Intelligenz die neuesten Forschungsergebnisse der heutigen Quantencomputer- und Künstlichen Intelligenz-Technologien integriert und in vielen Bereichen einen großen Anwendungswert gezeigt hat. Wie weit ist die Quanten-Künstliche Intelligenz heute entwickelt? Bevor Sie die perfekte Antwort finden, finden Sie zuerst die richtige Antwort So wie die Entwicklung traditioneller künstlicher Intelligenz durch die Hardwareleistung klassischer Computer begrenzt wurde, muss auch die Entwicklung quantenbasierter künstlicher Intelligenz durch die Hardwareleistung von Quantencomputern gewährleistet werden. Allerdings ist es für aktuelle Quantencomputer schwierig, in kurzer Zeit die Standards eines wirklich universellen Quantencomputings zu erreichen. Mit anderen Worten: Es wird lange dauern, bis die perfekte Kombination aus „Quantencomputing“ und „künstlicher Intelligenz“ erreicht ist und das volle Potenzial der Quanten-Künstlichen Intelligenz wirklich ausgeschöpft werden kann. Schematische Darstellung der Quanten-Künstlichen Intelligenz (Fotoquelle: Veer Gallery) Daher war die Frage, wie man die vorhandene Quantencomputer-Hardwaretechnologie kurzfristig nutzen kann, um praktische Probleme der künstlichen Intelligenz zu lösen und so die Rechenleistung von Quantengeräten zu maximieren, schon immer ein schwieriges Problem, über das Wissenschaftler nachgedacht haben. Heutige Quantencomputer verfügen bereits über Dutzende bis Hunderte von Quantenbits. Dies bedeutet jedoch nicht, dass sie vorhandene klassische Computer ersetzen können, um allgemeine Quantencomputer zu erreichen. Denn Quantencomputer sind während des Berechnungsprozesses äußerst anfällig für äußere Störungen, die zwangsläufig zu Rechenfehlern führen. Daher muss eine große Anzahl zusätzlicher Quantenbits eingeführt werden, um die Fehlerkorrekturfunktion der Operation zu realisieren, und dieses verrauschte Quantencomputergerät wird auch als „Noisy Intermediate-Scale Quantum (NISQ)“-Stufe bezeichnet. Obwohl Quantencomputer noch nicht ihre ultimative und leistungsstärkste Form erreicht haben, können wir dennoch praktische Probleme auf der Grundlage von NISQ-Geräten lösen. Beispielsweise können „hybride quantenklassische Algorithmen“ klassische Computer verwenden, um komplexe algorithmische Probleme vorzuverarbeiten und sie dann an Quantengeräte weiterzuleiten, um das Potenzial des Quantencomputings freizusetzen. Quantentechnologie, die die Rechenleistung des menschlichen Gehirns nachahmt (Fotoquelle: Veer Gallery) Um Quantencomputing und künstliche Intelligenz effektiv zu integrieren, benötigen wir daher nicht unbedingt einen universellen Quantencomputer, der bereits seine endgültige Form erreicht hat. Das aktuelle NISQ-Gerät ist derzeit die am besten geeignete Wahl. In welchen Bereichen unseres Lebens wird die Technologie der Quanten-Künstlichen Intelligenz derzeit eingesetzt? Quantenneuronale Netzwerke – Quanten-Künstliche Intelligenz, die das menschliche Gehirn nachahmt Die menschliche Intelligenz beruht auf den komplexen biochemischen Reaktionen des Gehirns, und Neuronen sind die Grundeinheiten, aus denen das komplexe neuronale Netzwerk des menschlichen Gehirns besteht. Im Allgemeinen besteht das menschliche Gehirn aus etwa 100 Milliarden Neuronen und es gibt bis zu 100 Billionen Verbindungen zwischen den Neuronen, die ein neuronales Netzwerk bilden. Signalübertragung zwischen Neuronen (Fotoquelle: Veer Gallery) Jedes Neuron kann sich nur in zwei Zuständen befinden: Hemmung/Erregung, was der 0/1-Kodierung bei Computerberechnungen ähnelt. Jedes Neuron ist wie ein Mikroschalter. Wenn eine große Anzahl von Neuronen in seiner Nähe aktiviert wird, aktiviert es sich auch selbst und vervollständigt damit die Übertragung und Verarbeitung neuronaler Signale. Inspiriert vom neuronalen Netzwerk des menschlichen Gehirns hoffen Wissenschaftler, mithilfe der Quantentechnologie künstlicher Intelligenz einen ähnlichen Prozess konstruieren zu können. Diese Denkweise, die das menschliche Gehirn nachahmt, wird als „quantenneuronales Netzwerk“ bezeichnet. Einfach ausgedrückt nutzen Quantenneuronale Netzwerke die Vorteile der parallelen Datenverarbeitung von Quantenalgorithmen, um die Erkennungsmuster künstlicher Intelligenz zu optimieren und zu beschleunigen. Diagramm des neuronalen Netzwerks (Bildquelle: Veer-Fotogalerie) Im Leben sind wir es mittlerweile gewohnt, Dinge um uns herum durch „Scannen“ zu identifizieren, beispielsweise um dasselbe Produkt, Etikett und dieselbe Pflanze usw. zu identifizieren. All dies beruht auf dem Lernen und dem Optimierungstraining neuronaler Netzwerke. Bei herkömmlicher künstlicher Intelligenz erfordern die Verbindungen zwischen Neuronen große Datenmengen für das Training und viele Rechenleistungsressourcen für die kontinuierliche Optimierung. Im Allgemeinen verfügen große neuronale Netzwerkmodelle normalerweise über Milliarden miteinander verbundener Neuronen, und die Verbindungen zwischen den Neuronen müssen basierend auf den Erkennungsergebnissen kontinuierlich angepasst werden, um die Erkennungsgenauigkeit zu verbessern. Mithilfe der Quanten-Künstlichen Intelligenz können wir das ursprünglich riesige neuronale Netzwerkmodell durch mathematische Matrizen darstellen und dann die parallele Rechenleistung des Quantencomputings nutzen, um den Matrixlösungsprozess zu beschleunigen. Auf diese Weise wird das ursprünglich äußerst komplexe Quantenneuronale Netzwerk unter der Verarbeitung durch Quanten-Künstliche Intelligenz einfach und effizient. Quantum Generative Adversarial Network (QGAN) – Angriff und Verteidigung der Quanten-Künstlichen Intelligenz Ich glaube, jeder hat im Leben schon einmal die Erfahrung gemacht, mit Spam-SMS oder -E-Mails belästigt zu werden. Um lästige Spam-SMS oder -E-Mails zu blockieren, können wir Filter verwenden, um zwischen normalen Briefen und Spam-Briefen zu unterscheiden. Um die Erkennung durch Filter zu umgehen, werden Spam-E-Mails mit komplexeren Mitteln versendet. Ändern Sie beispielsweise die charakteristischen Wörter in Junk-Mails oder ordnen Sie den Inhalt der E-Mails neu an. Diese Konfrontation zwischen dem Absender von Spam und dem Empfänger der gefilterten Briefe ist der traditionelle Prozess eines Generative Adversarial Network (GAN). Allerdings ist dieser KI-basierte kontroverse Prozess nicht perfekt, da er stark von der Auswahl kontroverser Stichproben abhängt. Bei geringfügigen Abweichungen von den ursprünglichen Stichprobendaten trifft das System möglicherweise eine falsche Entscheidung. Der Kampf zwischen Spam-Versendern und Filter-Empfängern (Fotoquelle: Veer Gallery) Genau wie die Abschirmfunktion unserer Smartphones hilft sie uns zwar meistens dabei, Junk-E-Mails und lästige Anrufe herauszufiltern, kann es aber auch leicht passieren, dass sie versehentlich einige normale Nachrichtenbenachrichtigungen herausfiltert und so unseren Alltag beeinträchtigt. Im Allgemeinen besteht das generative kontradiktorische Netzwerk aus zwei wichtigen Teilen, dem Generator und dem Diskriminator . Unter diesen akzeptiert der Generator unter Anleitung des Diskriminators unregelmäßige Rauschsignale als Eingabe, um sie in ähnliche Daten einzufügen, die den realen Daten nahe kommen. Während der Diskriminator dafür verantwortlich ist, die empfangenen Daten zu identifizieren, um zu unterscheiden, ob es sich um echte oder ähnliche Daten handelt, und sie schließlich an den Generator zurückzugeben. Auf diese Weise können Generator und Diskriminator in Angriffs- und Verteidigungstrainingsrunden ihre Leistung gegenseitig kontinuierlich verbessern, bis eine große Menge an Rechenressourcen und hohe Stromkosten aufgewendet werden, um die kontinuierliche Optimierung des generativen gegnerischen Netzwerks abzuschließen. Schematische Darstellung eines traditionellen generativen kontradiktorischen Netzwerks (GAN) (Bildquelle: Referenz [1]) Um das Training generativer kontradiktorischer Netzwerke zu beschleunigen, schlugen Wissenschaftler vor, Quantenalgorithmen zur Implementierung quantengenerativer kontradiktorischer Netzwerke (QGAN) zu verwenden. Im Vergleich zu herkömmlichen generativen kontradiktorischen Netzwerken sind die in quantenbasierten generativen kontradiktorischen Netzwerken verarbeiteten Daten Quantenzustände mit Überlagerung. Schematische Darstellung eines Quanten-Generativen Adversarial-Netzwerks (QGAN) Bildquelle: Referenz [2] Auf diese Weise erzeugen die vom quantengenerativen kontradiktorischen Netzwerk trainierten Daten einen realistischen Effekt. Mit anderen Worten: Der Generator ist zu diesem Zeitpunkt in der Lage, echte Daten zu erzeugen, und der Diskriminator kann nicht mehr zwischen echten und generierten Daten unterscheiden, wodurch der stärkste Showdown zwischen Angriff und Verteidigung abgeschlossen ist. Die Zukunft ist vielversprechend Tatsächlich schreitet die Entwicklung der Quantentechnologie der künstlichen Intelligenz viel schneller voran, als wir uns vorgestellt haben. Traditionelle Technologien der künstlichen Intelligenz werden hauptsächlich für Big-Data-Suchaufgaben verwendet, während Quantencomputer, die Quantenalgorithmen verwenden, Suchaufgaben effizienter erledigen können als klassische Computer. Daher freuen sich die Menschen darauf, Quantentechnologie der künstlichen Intelligenz zur Optimierung großer und komplexer Suchprobleme einzusetzen. Darüber hinaus müssen in der Quantentechnologie der künstlichen Intelligenz noch viele spezifische algorithmische Probleme gelöst werden, beispielsweise in der Quantenspieltheorie und der Quantenkryptographie. Sie sind wie technologische Schlüssel, die die Tür zur Welt der Zukunft öffnen und unzählige Wissenschaftler anziehen, die sich der Erforschung des unendlichen Potenzials der Quanten-Künstlichen Intelligenz widmen. Obwohl sich die Quanten-Künstliche Intelligenz noch in der Erforschungs- und Entwicklungsphase befindet, hat sie bereits großes Anwendungspotenzial gezeigt. Während Wissenschaftler weiterhin technologische Engpässe überwinden, wird erwartet, dass die Quanten-Künstliche Intelligenz in Bereichen wie der Quantenchemie, den Materialwissenschaften, der Arzneimittelentwicklung und der Finanzrisikoanalyse revolutionäre Auswirkungen haben wird. Man kann sagen, dass uns die Entstehung der Quanten-Künstlichen Intelligenz eine Kombination aus Wundern und Weisheit gebracht hat. Durch die Verschmelzung der exotischen Eigenschaften des Quantencomputings mit der Weisheit der künstlichen Intelligenz können wir leistungsfähigere und effizientere KI-Systeme erwarten, die unsere Denkweise über Computing und Problemlösung revolutionieren werden. Quellen: [1] Wang Jue, Lu Bin und Zhu Yuefei. (2022). Eine Überprüfung der Generierung und Anwendung von gegnerischem Netzwerkverkehr. Informatik (S2), 651-661. [2] Hu, L., Wu, SH, Cai, W., Ma, Y., Mu, X. & Xu, Y., et al. (2019). Quantengeneratives kontradiktorisches Lernen in einem supraleitenden Quantenschaltkreis. Wissenschaftliche Fortschritte, 5(1). |
Heutzutage achten viele Menschen, insbesondere Fr...
Ich weiß nicht, seit wann, aber das Verfluchen de...
Es ist zehn Jahre her, seit Tadpole die Aufnahmep...
Am 12. März erregte die Nachricht über die Kündig...
Ehrlich gesagt ist Tiege ein treuer Nutzer von Ta...
Die Hochschulaufnahmeprüfung ist eine wichtige Pr...
Wenn die Menschen in Peking Das Telefon bürsten I...
Das Marktforschungsunternehmen Bernstein Research...
Mit dem erfolgreichen Start des bemannten Raumsch...
Viele Männer denken immer, dass Seilspringen etwa...
Wenn es um dünne und leichte Notebooks geht, muss...
Experten in diesem Artikel: Hu Houxiang, Chefarzt...
Beim Laufen wird bis zu einem gewissen Grad übers...
Im Jahr 1924 wurde der erste Fernseher der Welt v...
Wir treiben in unserem Leben häufig Sport. Beim S...