เข้าร่วมชุมชนควอนตัม

เข้าร่วมชุมชนควอนตัม RPA วันนี้ที่TechCrunch Disruptในซานฟรานซิสโก ฉันได้แสดงการสาธิตการเรียนรู้ด้วยเครื่องอย่างง่าย ซึ่งฉันใช้งานจริงบนคอมพิวเตอร์ควอนตัมในนิวยอร์กผ่านระบบคลาวด์ แน่นอนว่าปัญหานั้นสามารถแก้ไขได้ง่ายๆ โดยใช้อัลกอริธึมแบบคลาสสิกบนแล็ปท็อปของคุณ แต่นั่นจะไม่น่าตื่นเต้นไปหน่อยเหรอ? ระบบจัดการภายใน ฉันยังคงทึ่งกับความก้าวหน้าที่เกิดขึ้นในเวลาอันสั้น เมื่อสองสามปีก่อน ความคิดถึงเรื่องนี้คงเป็นเพียงความฝัน วันนี้ยังคงเป็นวันแรกสำหรับการคำนวณควอนตัม แต่ระบบกำลังดีขึ้นเรื่อยๆ และอีกไม่นาน เราจะอยู่ในดินแดนที่ไม่คุ้นเคย ซึ่งเราไม่สามารถจำลองสิ่งที่ระบบกำลังทำอยู่ได้อีกต่อไป จากที่นั่น เหลือเวลาอีกไม่นานจนกว่าเราจะเริ่มแก้ปัญหาบางประเภทได้ดีกว่าที่เราสามารถทำได้โดยใช้ระบบคลาสสิกในปัจจุบันการก้าวไปสู่อนาคตที่คอมพิวเตอร์ควอนตัมสร้างโลกใหม่จะต้องอาศัยพรสวรรค์และการมีส่วนร่วมของคนเก่งๆ มากมาย หากคุณรู้สึกตื่นเต้นเกี่ยวกับสิ่งนี้เช่นกัน ให้มีส่วนร่วม ไม่ว่าคุณจะรู้หรือไม่ก็ตาม คุณมีสิ่งสำคัญที่จะมีส่วนร่วมลักษณะทั่วไปความท้าทายที่สองคืออคติของชุดข้อมูลที่ส่งผลกระทบต่อระบบคำบรรยายภาพในปัจจุบัน แบบจำลองที่ได้รับการฝึกมานั้นเหมาะสมกับวัตถุทั่วไปที่เกิดขึ้นร่วมกันในบริบททั่วไป (เช่น เตียงและห้องนอน) ซึ่งนำไปสู่ปัญหาที่ระบบดังกล่าวพยายามหาข้อสรุปในฉากที่วัตถุเดียวกันปรากฏในบริบทที่มองไม่เห็น (เช่น เตียงและ ป่า). แม้ว่าการลดอคติของชุดข้อมูลจะเป็นปัญหาการวิจัยแบบเปิดที่ท้าทายในตัวเอง แต่เราขอเสนอเครื่องมือวินิจฉัยเพื่อประเมินว่าระบบคำบรรยายภาพที่ระบุมีอคติมากน้อยเพียงใดโดยเฉพาะอย่างยิ่ง เราได้สร้างชุดข้อมูลการวินิจฉัยทดสอบของภาพที่มีคำบรรยายซึ่งมีวัตถุทั่วไปที่เกิดขึ้นในฉากที่ไม่ปกติ (ชุดข้อมูลนอกบริบท – ชุดข้อมูล OOC) เพื่อทดสอบคุณสมบัติการจัดองค์ประกอบภาพและลักษณะทั่วไปของคำอธิบายภาพ การประเมิน OOC เป็นตัวบ่งชี้ที่ดีของภาพรวมของแบบจำลอง ประสิทธิภาพที่ไม่ดีเป็นสัญญาณว่าคำอธิบายภาพมีความเหมาะสมกับบริบทการฝึกอบรมมากเกินไป เราแสดงให้เห็นว่าแบบจำลองที่ใช้ GAN ที่มีตัวแบ่งแยกความสนใจร่วมและตัวสร้างที่คำนึงถึงบริบทนั้นมีการวางนัยทั่วไปที่ดีกว่าให้กับบริบทที่มองไม่เห็นมากกว่าวิธีการที่ทันสมัยก่อนหน้านี้ (ดูรูปที่ 1)การประเมินผลและการทดสอบทัวริงความท้าทายที่สามคือการประเมินคุณภาพของคำบรรยายที่สร้างขึ้น การใช้เมตริกอัตโนมัติ แม้จะมีประโยชน์เพียงบางส่วน แต่ก็ยังไม่น่าพอใจ เนื่องจากไม่ได้คำนึงถึงภาพ ในหลายกรณี การให้คะแนนยังคงไม่เพียงพอและบางครั้งก็ทำให้เข้าใจผิด

อนาคตคือควอนตัม

อนาคตคือควอนตัม RPA บางส่วนของความก้าวหน้าทางเทคนิคที่สำคัญที่สุดของ 20 THศตวรรษที่ถูกเปิดใช้งานโดยทศวรรษที่ผ่านมาของการสำรวจทางวิทยาศาสตร์ขั้นพื้นฐานที่มีวัตถุประสงค์เริ่มแรกเป็นเพียงที่จะขยายความเข้าใจของมนุษย์ เมื่อไอน์สไตน์ค้นพบสัมพัทธภาพ เขาไม่รู้ว่าวันหนึ่งมันจะเป็นส่วนสำคัญของระบบนำทางสมัยใหม่ นั่นคือเรื่องราวของวิทยาศาสตร์ควอนตัมเรามาไกลตั้งแต่ยุคแรกสุดของทฤษฎีข้อมูลควอนตัม เมื่อ IBM Fellow Charlie Bennettและผู้บุกเบิกวิทยาศาสตร์สารสนเทศควอนตัมคนอื่นๆ ได้สร้างรากฐานที่ก่อให้เกิดชุมชนวิทยาศาสตร์ที่เจริญรุ่งเรือง ทุกวันนี้ ชุมชนเดียวกันนี้มีความก้าวหน้ามากพอที่ระบบจริงที่เก่าที่สุด ซึ่งสามารถใช้การทำนายทางทฤษฎีได้ถูกสร้างขึ้นต่อหน้าต่อตาเรา การตลาดออนไลน์ อัตราความก้าวหน้ามีความโดดเด่น หนึ่งปีครึ่งที่แล้ว เราได้นำเครื่องต้นแบบ 5 บิตของIBM Q มาสู่ระบบคลาวด์ และทำให้โลกใช้งานได้ สำรวจ และเรียนรู้จากมัน อีกหนึ่งปีต่อมา เราได้เพิ่มอุปกรณ์เครื่องที่สองที่มี 16 qubits วันนี้ ผู้ใช้มากกว่า 60,000 รายจากมหาวิทยาลัยมากกว่า 1,500 แห่ง โรงเรียนมัธยมศึกษาตอนปลาย 300 แห่ง และสถาบันเอกชน 300 แห่งได้ลงทะเบียนบัญชีเกี่ยวกับประสบการณ์ IBM Q และดำเนินการทดลองรวมกัน 1.7 ล้านครั้ง สมาชิกของชุมชนการวิจัยยังได้ตีพิมพ์ผลงานวิจัยมากกว่า 35 ฉบับโดยใช้แพลตฟอร์มของเราเป็นที่ทดสอบแนวคิด นี่เป็นเพียงจุดเริ่มต้นในเดือนพฤษภาคมของปีนี้ เราได้ประกาศเปิดตัวIBM Qซึ่งเป็นความคิดริเริ่มแรกของอุตสาหกรรมในการสร้างคอมพิวเตอร์ควอนตัมสากลที่มีจำหน่ายในเชิงพาณิชย์สำหรับธุรกิจและวิทยาศาสตร์

การวิเคราะห์ความเสี่ยงควอนตัม

การวิเคราะห์ความเสี่ยงควอนตัม RPA เร่งการประเมินความเสี่ยงด้วยอัลกอริธึมควอนตัมทีมงานของเราที่IBM Research – Zurichใช้อัลกอริทึมควอนตัมได้พัฒนาแนวทางใหม่ในการวิเคราะห์ความเสี่ยงซึ่งให้ความเร็วที่เพิ่มขึ้นอย่างมากเมื่อเทียบกับอัลกอริธึมแบบคลาสสิกที่เป็นที่ยอมรับ แนวทางหนึ่งที่เป็นไปได้คือการประเมินความเสี่ยงในภาคการเงิน เช่น ความเสี่ยงที่เกี่ยวข้องกับพอร์ตการลงทุน อัลกอริธึมของเราให้การเร่งความเร็วแบบกำลังสองเมื่อเปรียบเทียบกับการจำลองแบบมอนติคาร์โล เราดำเนินการและทดสอบอัลกอริทึมของเราในปัญหาขนาดเล็กโดยใช้คอมพิวเตอร์ควอนตัมIBM Q 5-qubit ซึ่งตั้งอยู่ในเมืองยอร์กทาวน์ไฮทส์ รัฐนิวยอร์ก ซึ่งเป็นครั้งแรกที่อัลกอริทึมควอนตัมดังกล่าวถูกเรียกใช้บนฮาร์ดแวร์ควอนตัมจริงเพื่อทำการคำนวณทางการเงิน การตลาดออนไลน์ ในบ้านเรากระดาษ , ควอนตัมการวิเคราะห์ความเสี่ยงที่ตีพิมพ์ในฉบับปัจจุบันของวารสาร peer-reviewed ข้อมูลควอนตัม npjเราจะแสดงวิธีการประมาณค่าความกว้างอัลกอริทึมควอนตัมทั่วไปสามารถนำมาใช้ในการวิเคราะห์ความเสี่ยงทางการเงินในลักษณะที่อาจจะมีประสิทธิภาพสูงกว่าสถานะของ อัลกอริธึมคลาสสิกทางศิลปะเมื่อคอมพิวเตอร์ควอนตัมมีขนาดใหญ่เพียงพอวิธีการเลือกในปัจจุบันสำหรับการวิเคราะห์ความเสี่ยงคือการจำลองแบบมอนติคาร์โล วิธีการแบบคลาสสิกนี้มีประโยชน์เมื่อคำนวณค่าความคาดหวังหรือการวัดความเสี่ยงของฟังก์ชันโดยขึ้นอยู่กับพารามิเตอร์แบบสุ่ม กรณีการใช้งานหนึ่งประกอบด้วยการคำนวณความเสี่ยงที่เกี่ยวข้องกับพอร์ตการลงทุนที่มีสินทรัพย์จำนวนหนึ่ง ซึ่งค่าต่างๆ จะถูกจำลองโดยใช้ตัวแปรสุ่มจำนวนมาก การจำลองแบบมอนติคาร์โลถูกนำมาใช้เป็นประจำในการคำนวณมาตรการความเสี่ยงที่ใช้บ่อย เช่น ค่าที่เสี่ยง (VaR) หรือค่าตามเงื่อนไขที่ความเสี่ยง (CVaR หรือที่เรียกว่าการขาดแคลนที่คาดหวัง)อัตราการบรรจบกันของวิธีมอนติคาร์โล (กล่าวคือ อัตราเข้าใกล้ความแม่นยำที่ต้องการ) ปรับขนาดเป็นค่าผกผันของรากที่สองของจำนวนตัวอย่าง (ตัวอย่างหนึ่งตัวอย่างสอดคล้องกับค่าพารามิเตอร์หนึ่งชุด) ในทางตรงกันข้าม อัลกอริธึมควอนตัมของเรามาบรรจบกันในอัตราสัดส่วนกับผกผันของจำนวนตัวอย่าง ซึ่งแสดงถึงการเพิ่มความเร็วกำลังสองเมื่อเทียบกับวิธีมอนติคาร์โลการใช้การจำลองแบบ Monte Carlo การคำนวณการประเมินความเสี่ยงสำหรับพอร์ตการลงทุนขนาดใหญ่มักเป็นงานข้ามคืน ในกรณีที่เลวร้ายที่สุด เวลาในการประมวลผลอาจเพิ่มขึ้นเป็นวัน การเพิ่มความเร็วแบบกำลังสองโดยการคำนวณควอนตัมอาจลดเวลาในการคำนวณจากข้ามคืนเป็นเวลาใกล้จริงหรือจากวันเป็นชั่วโมงตามลำดับ แม้ว่าอาจต้องใช้เวลาสองสามปีกว่าที่ฮาร์ดแวร์จะตระหนักว่าการเพิ่มความเร็วนี้จะพร้อมใช้งานในระดับที่ต้องการ แต่ผลกระทบที่อาจเกิดขึ้นก็มหาศาลรันอัลกอริทึมบนฮาร์ดแวร์ควอนตัมจริงเรายังคงแสดงให้เห็นว่าอัลกอริทึมของเราสามารถนำไปใช้กับงานการกำหนดราคาสินทรัพย์โดยใช้ฮาร์ดแวร์ควอนตัมจริงได้อย่างไร เราเลือกรูปแบบที่เรียบง่ายของตั๋วเงินคลังซึ่งมูลค่าขึ้นอยู่กับอัตราดอกเบี้ยเท่านั้น การทดลองง่ายๆ บน 5 qubits

เข้าถึงหัวใจของฮาร์ดแวร์ควอนตัมที่แท้จริง

เข้าถึงหัวใจของฮาร์ดแวร์ควอนตัมที่แท้จริง RPA อุดมคติในสาขาการวิจัยใดๆ คือการเข้าถึงทรัพยากรอย่างอิสระ โดยไม่คำนึงถึงสถานที่ ในการคำนวณควอนตัม กิจกรรมการวิจัยบางอย่างถูกจำกัดให้อยู่ในห้องแล็บจำนวนหนึ่งเสมอ และสำหรับนักวิจัยเพียงไม่กี่คน…แต่ด้วยอุปกรณ์ใหม่ล่าสุดของเราที่ใช้งานได้ฟรีibmq_armonkเราก้าวไปอีกขั้นเพื่อนำแล็บไปสู่คลาวด์ ibmq_armonkมีคุณสมบัติการควบคุมระดับพัลส์และเมื่อรวมกับQiskitเวอร์ชันใหม่ (เวอร์ชัน 0.14) ในวันนี้ ผู้ใช้IBM Quantum Experienceจะสามารถสร้างกำหนดการของพัลส์และดำเนินการได้ บทบาทของนักฟิสิกส์ควอนตัมแบบทดลองพร้อมให้ทุกคนเข้าถึงอินเทอร์เน็ตได้แล้ว การตลาดออนไลน์ การควบคุมระดับชีพจรหมายความว่าอย่างไร? ด้วยพัลส์ คุณสามารถเจาะลึกเข้าไปในหัวใจของอุปกรณ์ควอนตัมและศึกษาระบบราวกับว่าคุณอยู่ในห้องแล็บ คอมพิวเตอร์ควอนตัมถูกควบคุมด้วยพัลส์ที่แม่นยำเป็นพิเศษซึ่งกระตุ้นคิวบิตและจัดการสถานะของพวกมัน การพัฒนาและปรับเทียบพัลส์เหล่านี้เป็นงานวิจัยเชิงรุกที่ก่อนหน้านี้ทำได้เฉพาะภายในห้องปฏิบัติการโดยใช้ “ฮาร์ดแวร์” โมดูลพัลส์ใน Qiskit ขยายความสามารถนี้ให้กับทุกคนผ่าน IBM Quantum Experience ผู้ใช้สามารถควบคุมการใช้งานเกทและการวัดได้โดยตรง ซึ่งเป็นส่วนประกอบสำคัญของวงจรควอนตัม ซึ่งจะทำให้ผู้ใช้สามารถปรับปรุงการทำงานของโปรแกรมควอนตัมและแอปพลิเคชันของตนได้ นี่เป็นขั้นตอนแรกในแผนของเราที่จะให้ผู้ใช้ควบคุมระบบควอนตัมของเราได้อย่างเต็มที่การหาเสียงสะท้อนเมื่อสร้างระบบควอนตัมเช่น qubit หรือฮาร์มอนิกออสซิลเลเตอร์ คุณสมบัติพื้นฐานที่สุดคือความถี่เรโซแนนซ์ของระบบ พิจารณาเครื่องดนตรีที่คุณชื่นชอบ รูปร่างของเครื่องดนตรีเป็นตัวกำหนดเสียงต่ำของโน้ตที่สามารถเล่นได้ ในทำนองเดียวกัน อุปกรณ์ควอนตัมก็มีความถี่เฉพาะที่กำหนดโดยคุณสมบัติทางกายภาพของมัน อุปกรณ์ IBM Quantum ประกอบด้วยส่วนประกอบหลาย qubit และ LC oscillator ซึ่งแต่ละส่วนประกอบมีความถี่ที่กำหนดไว้อย่างดี เราออกแบบอุปกรณ์ที่กำหนดเป้าหมายความถี่ในช่วง 5-7 GHz แต่เนื่องจากความผันแปรเล็กน้อย (โดยเฉพาะในพลังงาน qubit