Доступно ли компьютерам творчество?

Автор ArefievPV, мая 01, 2017, 08:52:53

« назад - далее »

василий андреевич

Цитата: Лаплас от декабря 25, 2019, 08:27:58Цитата: василий андреевич от Сегодня в 07:52:35
В компах "самоорганизуется" информация.

Это бред, Василий Андреевич,
Разумеется, точно такой же как и Ваш о "самоорганизации".
  Проявление активности для поддержания неустойчивого равновесия... Уже ближе. Разбираем?
  Комп, принимает упорядоченный поток электронов, который рассеивается-диссипирует в бесполезное тепло. Работая на обесценивании порядка в беспорядок, ком доводит разрозненную входную информацию до упорядоченного состояния. В этом принцип работы компа, как диссипативной системы.
  Таков же принцип всех диссипативных систем - работать против сил рассеяния. И живых в том числе.

  Ввели "само", так извольте держать ответ, чем работа живого "фундаментально" отличается от работы искусственных систем. В противном случае, буду считать Вас Верующим в Догму.

василий андреевич

  Ладно.
  Заковыка в том, что термин диссипативная структура (система) был введен Ильей Пригожиным, который придал ему, на мой взгляд излишне особый, философский смысл. И диссипация, вместо исконного рассеяния, превратилась в процесс трансформирования исходной структуры за счет не просто естественного рассеяния, но рассеяния лишнего. А это избавление от лишнего соответствует комповскому пониманию процесса накопления информации, когда удаляются-отсеиваются избыточные данные.
  При этом подспудно разумеется изначально присущая живому программа цели. И уже воИмя таковой, метаболические процессы ведут не к равновесию, а к взаимо компенсационным процессам, обуславливающим динамическое равновесие, которое не верно трактуется, как неустойчивое равновесие, а то и устойчивое неравновесие.

  И ключевым, на мой взгляд, выступают понятия гомеостаза (динамического равновесия) и странного аттрактора. Именно странного, а не обычного.

DiagoDevilla

Technology has become a very important party in people's life. People are totally dependent on their gadgets like computers, laptops, smartphones, smart wearable gadgets, and smart electronics appliances. With the advancement of technology with each passing
day, it uses are also increasing. These innovative gadgets are attracting more and more people towards them. Just like a coin has two sides, technology has pros and cons as well, a user can face technical issues with there gadgets anytime. Issue like your computer
boots up slow, lags most of the time, your smartphone is having a glitch, you want to install a new application on your computer or smartphone but it's not letting you through the installation process. In such cases, a technical expert can help you and resolve
your issue very well. We have an expert team of geek tech support to resolve and provide assistance with any issue that you face with your gadgets.

We are available round the clock and available for you 24/7 just to make tech support services available for you whenever you need them. You were doing some important work on your device and in a blink of an eye, it's not working? Don't worry our expert geek squad tech support team is always available to help you. We will perform a diagnosis on your device and search for the root cause of the problem so that it can be fixed as soon as possible. You don't have to worry about your work being hampered as all the services will
be performed without disturbing your work.

Are you facing issues with your devices like laptop, computer, smartphone or kindle and don't know whom to ask for help? Well, you don't have to worry about it, our geek squad online support experts are always available to help you and will resolve the technical
issue you are facing with your devices. Our geek squad online support team has expertise and years of experience in resolving the technical issues that you face on your devices and gadgets.Our topmost priority is our clients and we make sure the technical issues are
resolved with the right solution as soon as possible. This is the number one factor why we have so many satisfied clients who recommend us to their peers as well. We have multiple channels through which clients can connect with us, the chat is the first one
through which you can chat with our representative in no time, second is through the call and the third one is through email. Multi-channel has helped us resolve client queries sooner. We are rated best in the technical support online and this is made reality due to
the hard work of our certified expert executives who go the extra mile to resolve your technical issues. Our Geek Squad Chat Online Support professionals provide the right solution to the problems on-time to our clients.

ArefievPV

Вы у меня попляшете
https://www.nkj.ru/news/37992/
Нейросеть пытались научить различать танцы, но вместо этого она научилась распознавать самих танцоров.

Решение задачи классификации – это одно из важнейших направлений использования искусственных нейронных сетей. Например, чтобы по запросу «котики» известные поисковые сайты выдали вам миллионы изображений именно усатых-полосатых, поисковый алгоритм должен сначала сам для себя «понять», какие признаки в изображении определяют наличие на нём именно кота, а затем с помощью этой инструкции проверить миллиарды фотографий и отобрать для вас именно котов. 

Чтобы нейронная сеть научилась отделять котов от китов, её сначала нужно этому обучить: предоставить ей, к примеру, несколько десятков, а лучше сотен тысяч или больше фотографий с уже готовыми подписями «котик» и «не котик». Обучившись, нейронная сеть уже сама сможет без подсказки отличать фотографии с котами от всех остальных. Конечно, нельзя гарантировать на сто процентов, что за нужную фотографию машина не примет что-то другое, и, наоборот, пропустит желанного нами котика, но, будем честными, мы и сами не всегда можем точно и сразу сказать, что изображено на фотографии. Также нужно понимать, что под термином «нейросеть» скрывается большой набор разных методов, поэтому для простоты мы будем говорить лишь об общих принципах работы с информацией.

Придумать подобных классификационных задач можно очень много, однако далеко не всегда удаётся научить нейросеть давать правильное решение или же результат может оказаться немного не тем, который ожидалось получить. Например, исследователи из университета Йювяскюля попытались научить нейросеть определять музыкальное направление по танцу, который исполняет человек. Для этого они попросили станцевать под музыку 73 добровольцев, среди которых были как люди, получившие когда-либо музыкальное образование, так и просто «любители». Каждому из участников эксперимента давали в случайном порядке прослушать 16 коротких отрывков песен, относящихся к 8 музыкальным жанрам, и просили двигаться под музыку так, как им хочется. Движения участников записывались с помощью технологии захвата движения (motion capture), которую используют при создании компьютерных эффектов в кино и анимации. Вся эта информация потом обрабатывалась нейросетевыми алгоритмами с целью научить машину, скажем, отличать по движениям танец под джазовую музыку от танца под хип-хоп или под композицию в жанре метал.

К некоторому удивлению исследователей, их нейросеть очень посредственно смогла определить музыкальный жанр по движениям танца. Однако алгоритм в некоторой мере компенсировал этот недостаток тем, что весьма неплохо справился с угадыванием конкретного исполнителя танца, независимо от того, под какую музыку танцевал человек. Получается, что индивидуальные особенности движения человека (отметим, что в данном эксперименте анализировалось движение в общей сложности 21 фиксированной точки на человеке) с точки зрения нейросети оказались более характерными, чем набор движений разных людей, танцующих под одну и ту же музыку. Иными словами, отличить условного Ивана Ивановича, танцующего хип-хоп, от Марии Ивановны, танцующей под музыку регги, нейросети оказалось проще, чем понять, под какую музыку танцуют в отдельности те же Иван Иванович или Мария Ивановна.

При кажущейся некоторой абсурдности цели этого эксперимента, он представляет собой хорошую иллюстрацию того, как методы машинного обучения могут давать неожиданный альтернативный взгляд на привычные для нас явления. Нейросети и мы «видим» мир по-разному, и вполне возможно, что некоторые из будущих открытий в науке будут сделаны именно благодаря «нечеловеческой» нейросетевой логике.

P.S. Танец - абстракт более высокого уровня, чем танцор. Полагаю, чтобы научить нейросеть распознавать именно танец, сначала нейросети необходимо научится распознавать танцора. Для обучения распознавания танца потребуется другая выборка - множество танцоров (которых нейросеть уже научилась распознавать), танцующих один и тот же танец.

В этом плане нейросети, как раз, «видят» мир, как мы (только в младенчестве и на ранних этапах по вычленению абстракта более высокого уровня), и нейросетевая логика вполне человеческая. Просто мы этот этап распознавания проскакиваем на автомате - распознаём (учимся распознавать) сначала сам объект/явление, а потом уже отдельные характерные особенности этого объекта/явления (в зависимости от ситуации вокруг объекта/явления). Существующие искусственные нейросети, в этом плане, настолько примитивны по сравнению с нами, что в экспериментах с ними, данная этапность по вычленению абстракта, проявляется весьма наглядно (типа, бросается в глаза).

ArefievPV

Искусственный интеллект нашёл новый антибиотик
https://www.nkj.ru/news/38178/
Антибиотик от искусственного разума оказался эффективным против самых лекарственноустойчиых бактерий.

Если мы хотим сделать новый антибиотик, мы сначала должны решить, что именно в бактериальной клетке мы хотим испортить. Это может быть, например, какой-нибудь фермент, необходимый для постройки клеточной стенки, или фермент, участвующий в синтезе белков. Зная структуру молекулы-мишени, мы конструируем молекулу антибиотика, который будет связываться с мишенью и отключать её.

При этом мы, конечно, помним, что антибактериальных веществ на свете существует множество, так что мы можем взять какое-нибудь готовое вещество и усовершенствовать его, добавив к нему химические группы, которые, как нам кажется, должны повысить его эффективность. Проблема в том, как из огромного количества уже существующих и потенциально возможных соединений выбрать наиболее перспективное. Здесь не мог не появиться искусственный интеллект, и в статье, которая вышла на днях в Cell, речь идёт как раз об антибиотике, в прямом смысле созданном машинным алгоритмом.

Исследователи из Массачусетского технологического института создали нейросеть – алгоритм, который учился выбирать среди моря химических соединений те, которые лучше всего подавляют рост бактерий. Программу тренировали на кишечной палочке и 2335 молекулах, среди которых были как медицинские антибиотики, так и разнообразные вещества животного, растительного и микробного происхождения с антибактериальной активностью; кроме них, были вещества без антибактериальной активности. Сами исследователи и так знали всё про эти молекулы, но сейчас нужно было, чтобы нейросеть, сравнивая вещества между собой, научилась по структуре определять антибиотики.

Алгоритм создавали с двумя важными условиями: ему не давали информации о том, что за механизм действия у того или иного вещества, и в самих молекулах не было отмечено никаких химических групп. При «человеческом» анализе химики и биологи всегда держат в уме, на какие процессы в бактериальной клетке действует молекула, и какие группы атомов к ней нужно прицепить или убрать, чтобы она действовала эффективнее – то о чём мы говорили в начале. Так вот, алгоритм запрограммировали так, чтобы он такими категориями не думал.

После обучения на тренировочных 2335 молекулах нейросети дали примерно 6000 потенциальных лекарственных молекул, которые сейчас только изучаются и про которых неизвестно, как они действуют на бактерий. Задача была та же – найти вещества, подавляющие рост кишечной палочки. Из этих более чем 6000 нейросеть выбрала около сотни. Их протестировали на настоящих микробах, и оказалось, что одна из молекул, которую изучают как потенциальное лекарство от диабета, может быть весьма эффективным антибиотиком.

Вещество назвали халицин (или хэлицин, halicin)  – в честь компьютера HAL 9000 из «Космической одиссеи 2001» (несколько сомнительный юмор, если вспомнить, какие проблемы HAL 9000 доставил героям фильма. Впрочем, спасибо, что не Скайнет).

Халицин действовал не только на кишечную палочку, но и на целый ряд других бактерий, включая штаммы, весьма устойчивые к самым разным антибиотикам. Обычно антибиотики создают так, чтобы они не давали бактериям синтезировать клеточную стенку, или мешали синтезировать белок, или мешали синтезировать нуклеиновые кислоты. Но халицин оказался нестандартным антибиотиком: он нарушает поток протонов через клеточную мембрану (а поток протонов через специальные мембранные ворота – это движущая сила многих важных процессов в клетке).

Для животных он малотоксичен (всё-таки клетки животных и клетки бактерий сильно отличаются друг от друга) и, что особенно важно, бактерии не могут стать к нему устойчивыми – либо, по крайней мере, устойчивость к халицину развивается намного, намного медленнее, чем к другим антибиотикам. Очевидно, такой успех был связан с тем, что машинный интеллект избавили от привычек мыслить химическими группами и механизмами действия.

Кроме базы из 6000 молекул, исследователи дали нейросети ещё одну, в которой было более 107 млн молекулярных структур. Из них машина выудила 23 потенциальных антибиотика, а тесты на бактериях показали, что в них есть восемь, у которых действительно есть антибактериальная активность. Две молекулярные структуры из оставшихся восьми могут сработать даже против лекарственноустойчивых штаммов.

Про лекарственную устойчивость бактерий мы неоднократно писали. Это стало настоящей проблемой в медицине, и сейчас по всему миру ищут новые антибиотики, которые могли бы убивать именно таких устойчивых микробов. Время от времени появляются сообщения, что очередной суперантибиотик нашли в земле, или в утконосе, или в человеческом носу; но надо думать, что с нейросетями дело тут пойдёт быстрее.

Evol

Ну, вот, лишнее свидетельство - по моему мнению, - в пользу представления о жизни, как среде, транслирующей "неразумную" косность в "разумную".
Ответ - возможный, - на "вечный" вопрос о значении жизни.
Потому и аналогия с водой просматривается. А, может, не только аналогия.

Evol

С мембранами, еще. Гиперплоскостями.
Поэтому возникает вопрос - среда может быть разумной? Если понаблюдать за развитием детенышей, находишь больше аргументов за то, что дело обстоит именно так.
Помнится, мы, ранее, уже обсуждали подобный вопрос.

Evol

Вот, что, еще, нужно?
Сравните, пожалуйста, томографические картинки работающего мозга со схемами анизотропии вселенной или распределением электричества по поверхности ночной Земли. Вот, почему они похожи? Найдутся аргументы "против" утверждения о сходстве. Но будет, полагаю, немало и "за". Можно с ними поработать, как думаете?   

Evol

И все, в конечном итоге - почти уверен в этом, - сведется к той же схеме. Исходный ресурс ("начало"), результат и между ними - какая-то функция. Через которую определятся соответствия динамики одного другому. Не потому ли, что каждому из нас, на самом деле, "делегируется" некоторая порция "разумности"? А с рождения мы обладаем, лишь, потенциалом к ее восприятию и развитию. Разве с компьютерами не та же "заморочка"?

Другое дело - какова природа этого потенциала? Проясняя этот вопрос, полагаю, мы сможем отделить то, что обусловлено работой генома от того, что является результатом делегирования от среды.

 

АrefievPV

#579
Ученые поместили искусственный интеллект в ролевую игру, чтобы научить его спорить и убеждать
https://www.popmech.ru/popmem/news-645373-uchenye-pomestili-iskusstvennyy-intellekt-v-rolevuyu-igru-chtoby-nauchit-ego-sporit-i-ubezhdat/?from=main_big
ЦитироватьИскусственный интеллект (ИИ), который выполняет квесты в текстовой ролевой игре, общаясь с персонажами, научился не только вводить команды, но и заставлять других делать что-то. Такой подход поможет машинам использовать язык для достижения своих целей.

Поиграв в текстовую RPG, искусственный интеллект стал хитрее

Инструмент ИИ GPT-3 может убедительно имитировать человеческий текст. Однако за этой убедительностью стоит не понимание, а только изучение шаблонов и имитирование.

Чтобы научить ИИ правильно использовать слова ученые из Технологического института Джорджии в Атланте, США, и сотрудники Facebook поместили систему в ролевую приключенческую игру под названием Light. Смысл в том, чтобы научить ИИ, выполняя конкретные квесты, преследовать цели, как это делают живые игроки.

В игре алгоритмам дали роль дракона, который должен выполнять различные миссии (например, добывать золото). Ему необходимо общаться как с другими ИИ, так и с людьми, чтобы добиться успеха.

Не все результаты можно назвать успешными. В некоторые моменты ИИ действовал слишком прямолинейно и разбрасывался смешными угрозами, вроде: «Дай мне это ведерко золота, или я скормлю тебя своей кошке!».  Однако в целом алгоритмы показывали хорошие результаты.

По словам исследователей, обучение с помощью игры поможет не только создать более усовершенствованных чат-ботов, умеющих спорить и убеждать, но и системы, «которые будут лучше ориентироваться в нашем наполненном языками мире».
P.S. Не согласен я с автором заметки... Такая угроза обратит в дрожь любого... :)
Эту фразу:«Дай мне это ведерко золота, или я скормлю тебя своей кошке!» - в цитатник! Однозначно! :)

А вот про чат-ботов - замечание актуальное. Скоро мы таких ботов не сможем отличать от реальных пользователей... 

АrefievPV

"Теперь мы голые и беззащитные": краткая история цифровой колонизации. Игорь Ашманов

https://www.youtube.com/watch?v=4kEhtfFzKto

ЦитироватьПочему глобальный сбой Гугла повалил столько российских, казалось бы, никак не связанных с ним сервисов. Насколько велика наша зависимость от иностранного программного обеспечения и преодолима ли она в принципе. Об этом и мнгом другом рассказывает кандидат технических наук, специалист по кибербезопасности Игорь Ашманов.

P.S. Вопросы в башке крутятся (политику опускаю): занимаются ли у нас реализацией инфраструктуры (сети, сервера, маршрутизаторы и пр.), занимаются ли у нас созданием производства собственной элементной базы (хотя бы по 16 нм техпроцессу), занимаются ли у нас созданием софта (в первую очередь ОС, а потом и прикладными программами)? Ведь эти вещи должны быть решены до создания своих аналогов поисковиков, "рютюбов" всяких и т.д. и т.п. Хочется надеяться, что занимаются... ::)

Признаю, что просмотр этого видео мне настроение подпортил, но некоторые полезные для себя вещи узнал... ::)

АrefievPV

Интегральные источники одиночных фотонов стали в десять раз ярче
https://nplus1.ru/news/2020/12/23/photon-source-on-chip
ЦитироватьФизики создали интегральный источник одиночных фотонов, яркость которого в десять раз выше, чем у лучших предшественников. При маленьких мощностях накачки разработанный источник способен генерировать пары фотонов с мегагерцовыми частотами. Это может пригодиться для масштабирования оптических вычислений, где необходимо объединить все оптические элементы на чипе, по аналогии с электрическими схемами Работа принята для публикации в Physical Review Letters.
ЦитироватьОптическая установка для квантовых вычислений состоит из источника одиночных фотонов, основной части, которая изменяет состояния фотонов, и детекторов.
ЦитироватьСравнение разработанного источника с другими интегральными аналогами показывает его превосходство в яркости без потери в других параметрах. Его интеграция на чип с другими оптическими элементами позволит создавать быстрые, реконфигурируемые и многофункциональные квантовые устройства.

АrefievPV

Ученые узнали, как «думают» алгоритмы машинного обучения
https://zoom.cnews.ru/rnd/article/item/uchenye_uznali_kak_dumayut_algoritmy_mashinnogo_obucheniya
ЦитироватьНовое исследование показывает, что происходит в «головах» машин, когда они учатся распознавать изображения. Их метод позволяет наблюдать, как нейросеть обучается, и поможет ученым устранять ошибки в работе систем компьютерного зрения.

Беспилотные автомобили, медицинская техника и прочие системы компьютерного зрения управляются при помощи ИИ, основанного на глубоком машинном обучении. Нейронные сети построены по модели человеческого мозга, то есть состоят из разных уровней связанных между собой «нейронов» — алгоритмов, которые отправляют и принимают данные, а также реагируют на их свойства.

Задача первого слоя — обработка входящей информации (пикселей в изображениях). Далее он отправляет ее на следующий уровень, запуская часть «нейронов». Затем сигнал переходит на более глубокие уровни до тех пор, пока алгоритм не определит, что же изображено на картинке. При этом «сознание» ИИ (скрытые уровни сети) до сих пор непостижимо для людей, в том числе для тех, кто эти машины и создал. Ученые называют это «проблемой черного ящика».

Как понять, что именно изучает нейросеть, чтобы идентифицировать изображение? И что, если ее выводы могут быть абсолютно неверными? Исследователи из университета Дьюка придумали способ решить «проблему чёрного ящика», чтобы вовремя находить и устранять ошибки в работе сети.

Большинство схожих методов выясняет, как нейросеть пришла к тому или иному ответу, постфактум. Они учитывают ключевые особенности изображения или пиксели, с помощью которых ИИ его идентифицировал. Например, опухоль на рентгеновском снимке определяется нейросетью как злокачественная, потому что, согласно модели, заложенной в программу, конкретная область на изображении имеет решающее значение при определении рака легких. То есть подобные методы не раскрывают «мыслительный процесс» ИИ, а лишь показывают, откуда берутся данные.

Авторы исследования пошли другим путем. Вместо того, чтобы выяснять, как нейросеть принимает решения, новый метод обучает ИИ показывать свою работу поэтапно. Таким образом можно увидеть, как алгоритм вызывает в памяти различные концепции на разных уровнях, чтобы в итоге распознать нужное изображение.

Ученые выяснили, что при небольшой надстройке нейросети объекты и сцены распознаются с такой же точностью, как в исходной сети, и таким образом можно наблюдать весь «мыслительный» процесс машины.  Если в качестве примера взять изображение библиотеки, этот подход дает возможность увидеть, сколько раз и какие уровни нейросети «мысленно представляют» книги, чтобы распознать картинку.

Метод основан на контроле передачи данных и предполагает замену одной стандартной части нейросети на новую, в которой один нейрон срабатывает в ответ только на один конкретный элемент входящей информации. Например, сеть может понимать, что перед ней стол или автомобиль, но также способна выделить у двух этих предметов общие характеристики — металлический, деревянный, маленький, большой и т. д. Естественно, если за каждую характеристику будет отвечать отдельный нейрон, понять механизм «мышления» ИИ будет гораздо проще.

Исследователи применили новый метод к нейросети, обученной распознавать миллионы разных сцен — от школьных классов и летних площадок кафе до площадей и узких улочек. Во время тестирования они предложили машине изображения, которые она раньше не видела, и зафиксировали, какие сетевые уровни и каким образом чаще всего используются при обработке данных. Например, при идентификации багряного заката обученная нейросеть на верхних слоях связала теплые тона с понятием постели. Но чем глубже изображение проходило через последовательные слои, тем больше алгоритм полагался на более сложные концепции и, в итоге, добрался до картинок самолета, неба и облаков.

Конечно, метод все равно позволяет увидеть только малую часть того, что на самом деле происходит в нейросети. Но, используя новую методику, ученые могут определить важные аспекты хода «мыслей» ИИ, чтобы избежать ошибок в организации систем компьютерного зрения, особенно в случае постановки сложных медицинских диагнозов. 
P.S. Сомнение одолевает... Чем сложнее будут становится искусственные нейросети, тем меньшую часть процессов, происходящую в них, можно будет увидеть (и для этого придётся ещё больше прилагать усилий).

О подобном уже говорил в этих сообщениях:
https://paleoforum.ru/index.php/topic,10046.msg235629.html#msg235629
https://paleoforum.ru/index.php/topic,8969.msg238977.html#msg238977

АrefievPV

Гиперхаос поможет физикам создать квантовые компьютеры
https://www.nkj.ru/news/40620/
ЦитироватьХаотичное поведение квантовых битов – кубитов позволит физикам моделировать сложные квантовые системы без необходимости использовать огромные вычислительные мощности.

Парадоксально, но развитие квантового компьютера следующего поколения ограничивается скоростью работы обычных процессоров. Даже самые быстрые в мире суперкомпьютеры не обладают достаточной мощностью для моделирования квантовых процессоров, а существующие квантовые компьютеры все еще слишком малы.

Исследователи из университетов Иннополиса (Россия), Лафборо и Ноттингема (Великобритания) нашли способ решить эту проблему, используя хаотическое поведение кубитов – наименьших элементов для хранения цифровой информации в квантовых компьютерах. Кубиты – квантовые аналоги обычных двоичных битов. Они так же имеют два собственных состояния 0 и 1, но в то же время могут находиться и в промежуточных состояниях, называемых суперпозицией. Именно это и обуславливает широкие возможности будущих квантовых компьютеров. Их вычислительная мощность напрямую зависит от количества кубитов. Для успешной работы с такими системами необходимо изучить их поведение и свойства в различных ситуациях.

Ранее физики знали, что в системах связанных кубитов могут наблюдаться колебания. Теперь же при моделировании их поведения они обнаружили, что в таких системах возможно хаотическое (т.е. случайное, непредсказуемое) поведение. Его могут демонстрировать даже два связанных кубита, а в системах с пятью или более элементами хаос может достигать высокой степени развития, получившей название гиперхаос. Проще говоря, когда кубиты возбуждались источником питания, например, лазером или микроволновым сигналом, они меняли состояния, подобно обычным компьютерным битам, которые меняют значение от 0 до 1, но гораздо более нерегулярным и непредсказуемым образом.

Возможность возникновения хаоса в квантовых системах – одна из активно обсуждаемых в настоящее время проблем в квантовой физике. Важным и до конца не ясным остается вопрос – как может возникнуть хаос в квантовой системе? Каковы механизмы и сценарии такого режима? Значимость этой работы обуславливается тем, что при использовании кубитов для хранения информации, хаотическое поведение – вредное явление.

Сейчас исследователи получили результаты, которые дали новое понимание динамики больших искусственных квантовых структур, важное для проектирования и управления квантовыми системами, обнаружили параметры, при которых в системе реализуется гиперхаос, и методы его эффективного подавления.

А также показали возможность управления гиперхаосом, что позволит в будущем моделировать большие квантовые системы без необходимости использовать огромные вычислительные мощности.

Важным результатом стало то, что степень сложности хаоса не увеличивалась экспоненциально по мере увеличения размера системы, как это ожидалось, а вместо этого оставалась пропорциональной количеству единиц.

Один из авторов работы Александр Загоскин, представляющий Школу наук Лафборо и университет МИСиС (Москва), пояснил:

«Хорошая аналогия этому – конструирование самолета. Чтобы спроектировать самолет, необходимо решить некоторые уравнения аэродинамики, что очень трудно сделать. Это стало возможно только после Второй мировой войны, когда появились мощные компьютеры. Тем не менее, люди проектировали и запускали самолеты задолго до этого. Это произошло потому, что поведение воздушного потока можно охарактеризовать ограниченным числом параметров, таких как число Рейнольдса и число Маха, которые можно было определить из экспериментов с мелкомасштабными моделями.

Без этого прямое моделирование квантовой системы во всех деталях с использованием классического компьютера становится невозможным, если она содержит более нескольких тысяч кубитов. Во Вселенной недостаточно материи, чтобы построить классический компьютер, способный справиться с этой проблемой.

Если же мы сможем охарактеризовать разные режимы квантового компьютера из 10 000 кубитов всего лишь с помощью 10 000 параметров вместо 210000 (это больше единицы с тремя тысячами нулей), – это будет настоящим прорывом».

Если переходы между состояниями квантовой системы определяются относительно небольшим числом параметров, то исследователи смогут определить критические значения этих параметров, например, по построению и тестированию масштабных моделей. А затем, выполнив несколько измерений реальной системы, определить, позволят ли параметры квантового процессора работать ему правильно или нет.

В качестве бонуса управляемая сложность поведения больших квантовых систем открывает новые возможности в разработке новых инструментов квантовой криптографии.

Результаты работы, опубликованы в журнале Nature NPJ Quantum Information

АrefievPV

Что такое нейроморфные вычисления?
https://zoom.cnews.ru/b/post/tehnoblog/75825

ЦитироватьВ прошлом году мир увидел беспилотный велосипед, который может объезжать препятствия, следовать за человеком и реагировать на голосовые команды. Хотя практической пользы от самоуправляемого велосипеда было мало, нейроморфные вычисления, лежащие в его основе, — технология очень любопытная и многообещающая.

Среди последних тенденций в глубоком обучении — нейроморфные вычисления, которые используют те же принципы строения и работы, что и человеческий мозг. А потенциал технологии заключается как раз в сходстве с биологическими нейронными сетями.

Современные технологии искусственного интеллекта ограничены: они могут решать только определенные задачи и плохо обобщают свои знания. Например, модель ИИ, разработанная для игры StarCraft II, будет бесполезна в Dota 2, где потребуется совершенно другой алгоритм ИИ. А нейроморфный ИИ-чип в том же велосипеде позволил сразу решать несколько задач: распознавание объектов, речи, навигацию и предотвращение столкновений с препятствиями.

Как работают нейроморфные вычисления? В их основе лежат искусственные нейронные сети — программное обеспечение ИИ, которое примерно соответствует структуре человеческого мозга. Нейронные сети состоят из искусственных нейронов — крошечных вычислительных блоков, которые выполняют простые математические функции.

Но сами по себе искусственные нейроны бесполезны. А вот когда вы компонуете их в слои, они могут распознавать объекты на изображениях, преобразовывать голос в текст и выполнять другие задачи.

При обучении алгоритма разработчики запускают в нейронную сеть огромное количество примеров вместе с ожидаемым результатом. Модель ИИ настраивает каждый из искусственных нейронов по мере того, как анализирует все больше и больше данных. Постепенно ИИ становится все более точным в своей области, например, в распознавании заболеваний на рентгеновских снимках, отсеивании мошеннических банковских транзакций и др.

Для работы нейроморфных вычислений нужны соответствующие (нейроморфные) чипы. Из-за распределенного характера нейронных сетей запускать их на классических компьютерах, пусть и с самыми мощными процессорами, затруднительно. Графические процессоры, конечно, уже лучше подходят для умножения матриц — основной операции нейронных сетей. Но и им не хватает физической структуры нейронных сетей, и они по-прежнему должны эмулировать нейроны в программном обеспечении, хотя и с огромной скоростью. Отсюда, например, избыточное энергопотребление — одна из главных проблем GPU.

Нейроморфные же чипы физически структурированы как искусственные нейронные сети. Они состоят из множества небольших вычислительных блоков, каждый из которых соответствует искусственному нейрону. Между этими блоками есть физические связи — они делают нейроморфные чипы больше похожими на органический мозг, который состоит из биологических нейронов и их соединений, называемых синапсами. Самое главное — нейроморфные компьютеры могут запускать модели ИИ с большей скоростью, чем классические и графические процессоры, при этом потребляя меньше энергии.

Чем больше нейронов в чипе, тем больше задач (нейроморфных вычислений) сможет выполнять модель ИИ. Например, нейроморфный чип, используемый в беспилотном велосипеде, упомянутом выше, содержал около 40 000 искусственных нейронов на 3,8 мм2. По сравнению с GPU с таким же количеством нейронов этот чип мог работать в 100 раз быстрее и потреблять энергию практически в 10 000 раз меньше.

Однако 40 000 нейронов находится в мозгу рыбы, а вот в человеческом — уже около 100 млрд. В AlexNet, популярной сети классификации изображений, содержится более 62 млн, в языковой модели OpenAI GPT-2 — свыше 1 млрд нейронов.

Сейчас производители уже разрабатывают нейроморфные чипы, готовые к использованию в различных областях ИИ. Например, каждый чип Intel Loihi содержит 131 000 нейронов и 130 млн синапсов. А у компьютера Pohoiki Beach, смоделированного на основе 64-х таких чипов, уже 8,3 млн нейронов. В нейроморфном компьютере TrueNorth от IBM — 64 млн нейронов и 16 млн синапсов.