นักวิจัยนำแมชชีนเลิร์นนิงไปสู่เส้นทางสู่ข้อได้เปรียบเชิงควอนตัม

นักวิจัยนำแมชชีนเลิร์นนิงไปสู่เส้นทางสู่ข้อได้เปรียบเชิงควอนตัม RPA มีความหวังสูงว่าสักวันหนึ่งพลังการประมวลผลมหาศาลของคอมพิวเตอร์ควอนตัมจะปลดปล่อยความก้าวหน้าแบบทวีคูณในปัญญาประดิษฐ์ ระบบ AI เจริญเติบโตได้เมื่ออัลกอริทึมการเรียนรู้ของเครื่องที่ใช้ในการฝึกได้รับข้อมูลจำนวนมหาศาลเพื่อนำเข้า จำแนก และวิเคราะห์ ยิ่งสามารถจำแนกข้อมูลตามลักษณะเฉพาะหรือลักษณะเฉพาะได้แม่นยำมากเท่าไร AI ก็ยิ่งทำงานได้ดีขึ้นเท่านั้น คาดว่าคอมพิวเตอร์ควอนตัมจะมีบทบาทสำคัญในการเรียนรู้ของเครื่อง ซึ่งรวมถึงส่วนสำคัญของการเข้าถึงพื้นที่คุณลักษณะที่ซับซ้อนในการคำนวณมากขึ้น ซึ่งเป็นแง่มุมที่ละเอียดของข้อมูลที่อาจนำไปสู่ข้อมูลเชิงลึกใหม่ๆ ระบบจัดการภายใน ในบทความวิจัยเรื่องNatureฉบับใหม่ที่ชื่อว่า ” Supervised learning with quantum Enhanced feature Spaces ” ทีมของฉันที่IBM Researchร่วมกับMIT-IBM Watson AI Labอธิบายการพัฒนาและทดสอบอัลกอริทึมควอนตัมที่มีศักยภาพในการเปิดใช้งานการเรียนรู้ของเครื่องบนควอนตัม คอมพิวเตอร์ในอนาคตอันใกล้นี้ เราได้แสดงให้เห็นว่าในขณะที่คอมพิวเตอร์ควอนตัมมีประสิทธิภาพมากขึ้นในปีต่อๆ ไป และปริมาณควอนตัมก็เพิ่มขึ้น พวกเขาจะสามารถทำการแมปคุณลักษณะ ซึ่งเป็นองค์ประกอบสำคัญของการเรียนรู้ของเครื่อง บนโครงสร้างข้อมูลที่ซับซ้อนสูงในระดับที่ไกลเกินกว่า เข้าถึงได้แม้กระทั่งคอมพิวเตอร์คลาสสิกที่ทรงพลังที่สุดวิธีการของเรายังสามารถจัดประเภทข้อมูลด้วยการใช้วงจรเชิงลึกซึ่งเปิดเส้นทางสู่การจัดการกับการถอดรหัส การแมปคุณลักษณะของเราทำงานตามที่คาดการณ์ไว้อย่างมีนัยสำคัญเช่นเดียวกัน: ไม่มีข้อผิดพลาดในการจัดหมวดหมู่กับข้อมูลที่ออกแบบของเรา แม้ว่าโปรเซสเซอร์ของระบบIBM Qจะประสบปัญหาการถอดรหัสใหญ่กว่า ดีกว่าการแมปคุณลักษณะเป็นวิธีการแยกส่วนข้อมูลเพื่อเข้าถึงแง่มุมที่ละเอียดยิ่งขึ้นของข้อมูลนั้น อัลกอริธึมการเรียนรู้ของเครื่องทั้งแบบคลาสสิกและแบบควอนตัมสามารถแบ่งรูปภาพได้ ตัวอย่างเช่น โดยพิกเซลและวางไว้ในตารางตามค่าสีของแต่ละพิกเซล จากนั้นอัลกอริธึมจะจับคู่จุดข้อมูลแต่ละจุดแบบไม่เชิงเส้นกับพื้นที่มิติสูง โดยแยกย่อยข้อมูลตามคุณลักษณะที่สำคัญที่สุด ในพื้นที่สถานะควอนตัมที่มีขนาดใหญ่กว่ามาก เราสามารถแยกลักษณะและคุณสมบัติของข้อมูลนั้นได้ดีกว่าที่เราสามารถทำได้ในแผนผังคุณลักษณะที่สร้างโดยอัลกอริธึมการเรียนรู้ของเครื่องแบบคลาสสิก ในที่สุด ยิ่งสามารถจำแนกข้อมูลได้อย่างแม่นยำตามลักษณะเฉพาะหรือคุณลักษณะเฉพาะ ปัญญาประดิษฐ์ก็จะยิ่งทำงานได้ดีขึ้นเท่านั้นเป้าหมายคือการใช้คอมพิวเตอร์ควอนตัมเพื่อสร้างตัวแยกประเภทใหม่ที่สร้างแผนที่ข้อมูลที่ซับซ้อนยิ่งขึ้น ในการทำเช่นนั้น นักวิจัยจะสามารถพัฒนา

เรามีผู้ชนะ! … ของ IBM Quantum Teach Me Quantum Challenge

เรามีผู้ชนะ! … ของ IBM Quantum Teach Me Quantum Challenge RPA เพื่อสนับสนุนให้ครูและนักเรียนใช้ประโยชน์จาก IBM Quantum Experienceและแพลตฟอร์มการพัฒนา IBM Qiskit เราได้ประกาศความท้าทายและรางวัลมากมายในเดือนมกราคม 2018 เพื่อสร้างแรงบันดาลใจให้ผู้คนก้าวกระโดดควอนตัมวันนี้ เรายินดีที่จะประกาศผู้ชนะรางวัล IBM Quantum Awardครั้งที่สี่: IBM Quantum Teach Me Quantum Challengeซึ่งเสนอรางวัลที่หนึ่งมูลค่า 7,000 ดอลลาร์ รางวัลที่สองหนึ่งรางวัลมูลค่า 2,000 ดอลลาร์ และรางวัลที่สามเป็นรางวัลที่ดีที่สุด 1,000 ดอลลาร์ เอกสารประกอบหลักสูตรระดับมหาวิทยาลัยสำหรับชุดการบรรยายที่รวม IBM Quantum Experience และ QISKit การตลาดออนไลน์ ขอแสดงความยินดีกับผู้ชนะครั้งแรกที่เรามิเกล Ramalho ของมหาวิทยาลัยปอร์โตชนะครั้งที่สองที่เราปีเตอร์ Wittek ของมหาวิทยาลัยโตรอนโตและผู้ชนะที่สามสถานที่ของเรามีร์โก Amico ของเมืองมหาวิทยาลัยนิวยอร์กคณะกรรมการได้กล่าวถึงชุดโน้ต สไลด์ และแบบฝึกหัดที่สมบูรณ์ ได้รับการออกแบบมาเป็นอย่างดีและมีโครงสร้างที่ดี ซึ่งนำเสนอในรูปแบบห้องเรียนแบบดั้งเดิม

อัดพลังให้มากขึ้นในอุปกรณ์ควอนตัม

อัดพลังให้มากขึ้นในอุปกรณ์ควอนตัม RPA เมื่อต้นปีนี้ที่งาน CES เราได้เปิดตัวหลักอุตสาหกรรม: IBM Q System Oneซึ่งเป็นระบบคอมพิวเตอร์ควอนตัมโดยประมาณสากลแบบบูรณาการตัวแรกของโลกสำหรับการใช้งานเชิงพาณิชย์ นำเทคโนโลยีที่อาจเปลี่ยนอุตสาหกรรมนี้ออกจากการตั้งค่าห้องปฏิบัติการแบบดั้งเดิมและในศูนย์ข้อมูลระบบคลาวด์ เป็นทั้งระบบควอนตัมขั้นสูงทางเทคนิคและประสิทธิภาพสูงสุดที่เราเคยสร้างมาที่IBM Researchในขณะที่เราก้าวหน้าในยุคของการคำนวณควอนตัม ประสิทธิภาพของระบบจะเป็นกุญแจสำคัญในการบรรลุ “ข้อได้เปรียบเชิงควอนตัม” — เมื่อเราสามารถแสดงให้เห็นได้อย่างชัดเจนถึงความได้เปรียบด้านประสิทธิภาพที่สำคัญกว่าคอมพิวเตอร์แบบคลาสสิกในปัจจุบัน ในบางกรณีการใช้งาน โดย “นัยสำคัญ” เราหมายความว่าการคำนวณควอนตัมเร็วกว่าการคำนวณแบบคลาสสิกหลายร้อยหรือหลายพันเท่า หรือต้องการหน่วยความจำเพียงเศษเสี้ยวที่คอมพิวเตอร์แบบคลาสสิกต้องการ หรือทำให้บางสิ่งเป็นไปได้ที่ไม่สามารถทำได้ในตอนนี้ คอมพิวเตอร์คลาสสิก การตลาดออนไลน์ เราได้เปรียบเทียบ IBM Q System One โดยละเอียดแล้ว และตอนนี้ยินดีที่จะรายงานตัวเลขประสิทธิภาพบางส่วนในบริบทของระบบ IBM Q Networkของเรา”Tokyo” และ “Poughkeepsie” และระบบIBM Q Experience ที่เผยแพร่ต่อสาธารณะ”Tenerife”ประสิทธิภาพของคอมพิวเตอร์ควอนตัมสามารถจำแนกได้เป็น 2 ระดับ ได้แก่ เมตริกที่เกี่ยวข้องกับ qubits พื้นฐานในชิป ซึ่งเราเรียกว่า “อุปกรณ์ควอนตัม” และประสิทธิภาพการทำงานทั้งระบบโดยรวมประสิทธิภาพของ IBM Q System One สะท้อนให้เห็นในอัตราข้อผิดพลาดที่ดีที่สุด/ต่ำที่สุดที่เราเคยวัด ข้อผิดพลาดเกทสองคิวบิตโดยเฉลี่ยน้อยกว่าสองเปอร์เซ็นต์

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

CERN, IBM ทำงานร่วมกันบน Quantum Computing

CERN, IBM ทำงานร่วมกันบน Quantum Computing RPA เซิร์น, ห้องปฏิบัติการยุโรปสำหรับฟิสิกส์อนุภาคเป็นบ้านเครื่องเร่งอนุภาคที่ใหญ่ที่สุดในโลกขนาดใหญ่ Hadron Collider การทดลองที่สร้างขึ้นบนเครื่องนี้ช่วยให้นักฟิสิกส์เช่นฉันได้ศึกษาโครงสร้างพื้นฐานของจักรวาลของเราCERN มีโปรแกรมอัปเกรดที่ทะเยอทะยานสำหรับตัวเร่งความเร็วและการทดลองในอีกไม่กี่ปีข้างหน้า นี้จะนำไปสู่ความต้องการใช้คอมพิวเตอร์ที่น่ากลัว ภายในปี 2026 ความต้องการด้านคอมพิวเตอร์ – ภายใต้สมมติฐานที่อนุรักษ์นิยมตามวิวัฒนาการของฮาร์ดแวร์ ซอฟต์แวร์ และเทคนิค – คาดว่าจะสูงกว่าปัจจุบันประมาณ 50-100 เท่า! การตลาดออนไลน์ เพื่อตอบสนองความท้าทายนี้และจัดหาทรัพยากรเทคโนโลยีสารสนเทศและการสื่อสาร (ICT) ที่เพียงพอสำหรับการจัดการและการวิเคราะห์ข้อมูลCERN openlabกำลังทำงานร่วมกับชุมชนการวิจัยทั่วโลกเพื่อสำรวจโซลูชันการคำนวณที่เป็นนวัตกรรมใหม่ Openlab เซิร์นเป็นความร่วมมือภาครัฐและเอกชนที่ผ่านการเซิร์นทำงานร่วมกับ บริษัท ชั้นนำด้านไอซีทีในการสร้างสรรค์นวัตกรรมไดรฟ์ความช่วยเหลือ IBMเป็นหนึ่งในสมาชิกล่าสุดที่เข้าร่วมความร่วมมือนี้คอมพิวเตอร์ควอนตัมเป็นเทคโนโลยีที่เกิดขึ้นใหม่อย่างหนึ่งที่รักษาสัญญาในแง่ของการมอบความก้าวหน้าครั้งสำคัญในด้านพลังการคำนวณ CERN openlab ได้เปิดตัวโครงการจำนวนมากในสาขานี้โดยได้รับความร่วมมืออย่างใกล้ชิดกับผู้ขายรายใหญ่และผู้ใช้ขั้นสูงIBM เป็นหนึ่งในผู้เล่นหลักในด้านนี้ ในขณะนี้ บริษัทได้ผลิตเครื่องควอนตัมขนาด 5 คิวบิตสำหรับใช้งานสาธารณะ พร้อมกับชุดซอฟต์แวร์โอเพ่นซอร์สที่สมบูรณ์ CERN openlab และ IBM ได้ทำงานเกี่ยวกับการพัฒนาแอปพลิเคชันควอนตัมสำหรับฟิสิกส์อนุภาคแล้ว การขยายความร่วมมือนี้เพื่อรวมงานบนIBM Quantumซึ่งเป็นระบบคอมพิวเตอร์ควอนตัมแบบบูรณาการระบบแรกสำหรับการใช้งานเชิงพาณิชย์ เป็นก้าวสำคัญในการทำงานร่วมกันที่ประสบความสำเร็จอยู่แล้วของเราฟิสิกส์ของอนุภาคเกี่ยวข้องกับปริมาณงานด้านการคำนวณที่หลากหลายมาก ดังนั้นจึงนำเสนอโอกาสในการประเมินการบังคับใช้และศักยภาพของการคำนวณควอนตัม งานวิจัยที่น่าตื่นเต้นมากสาขาหนึ่งคือการจำลองกระบวนการกลศาสตร์ควอนตัมโดยตรงบนเครื่องควอนตัม อีกด้านหนึ่งของสเปกตรัมของแอปพลิเคชัน การใช้การคำนวณควอนตัมร่วมกับปัญญาประดิษฐ์และโครงข่ายประสาทเทียมเชิงลึกสามารถเปิดโอกาสใหม่ๆ

IBM และ Unitary Fund Unite สำหรับโครงการโอเพ่นซอร์สสำหรับคอมพิวเตอร์ควอนตัม

IBM และ Unitary Fund Unite สำหรับโครงการโอเพ่นซอร์สสำหรับคอมพิวเตอร์ควอนตัม RPA เรายินดีที่จะประกาศการสนับสนุนของเราในการขยายชุมชนของผู้ที่ชื่นชอบควอนตัมและนักสำรวจ โดยการร่วมมือกับUnitary Fundเพื่อจัดหาเงินทุนสำหรับทุนสนับสนุนและการเข้าถึงลำดับความสำคัญให้กับระบบ IBM Quantum บางระบบ เช่นเดียวกับภารกิจการคำนวณควอนตัมของ IBM Unitary Fund ต้องการสร้างอุตสาหกรรมเทคโนโลยีควอนตัมที่เป็นประโยชน์ต่อคนส่วนใหญ่ ทำได้ผ่านโปรแกรม ‘micro-grants’ ผู้สมัครให้คำอธิบายง่ายๆ สำหรับโครงการของตน หากได้รับทุน ผู้ได้รับรางวัลจะได้รับครึ่งหนึ่งของรางวัลล่วงหน้าเพื่อเริ่มโครงการ และส่วนที่เหลือประมาณครึ่งทาง นับตั้งแต่เปิดตัวโครงการ Unitary Fund ได้ให้ทุนสนับสนุน 6 โครงการซึ่งสามารถทำงานร่วมกับ Qiskit ได้ การตลาดออนไลน์ นับตั้งแต่การเปิดตัว IBM Quantum Experience ในปี 2559 ซึ่งเป็นแพลตฟอร์มคลาวด์ควอนตัมคอมพิวติ้งแบบสาธารณะแห่งแรกของโลก เราได้เห็นความต้องการเทคโนโลยีคอมพิวเตอร์ควอนตัมเพิ่มขึ้นอย่างรวดเร็วทั่วโลก มีความสนใจอย่างมากและความอยากรู้อยากเห็นทางปัญญาในการค้นคว้า ทดลอง และสำรวจการคำนวณควอนตัม ตัวอย่างเช่น ที่ Qiskit Camps เราได้เห็นเครื่องมืออันน่าทึ่ง แอปพลิเคชัน และแม้แต่เกมที่ชุมชนสร้างขึ้น ทั้งหมดนี้อำนวยความสะดวกโดยการสร้างระบบที่เข้าถึงได้แบบสาธารณะ และพัฒนาชุดซอฟต์แวร์แบบโอเพนซอร์สแบบขยายได้ที่ IBM