[閒聊] 量子退火法

[sputtering (水煮青蛙全球暖化)]

以前都著眼於量子電腦一定必須要用量子門方法才是正統的量子電腦

在加拿大D-WAVE的量子電腦發表後還一度不削的覺得那根本不是量子電腦

直到韓國圍棋高手李世石被谷歌人工智慧圍棋程式阿發狗打敗之後

我才知道量子退火法使用在深度神經網路中的威力有多麼地多麼地多麼地強大

尤其其中的關鍵在於處理組合最佳化問題中對比於傳統的計算機有爆炸性的能力

其實黑貓白貓能夠捉到老鼠的就是好貓

量子退火法充其量只是使用量子效應中的量子穿隧

可是利用量子穿隧效應就能在3D-Ising model中取得能量最低能量狀態進而一步到位的取得最佳解

其實想一想3D-Ising model的最低能量解

個人認為跟理查費曼的路徑積分法有異曲同工之妙

只是一個是求解最小能量一個是求解最短路徑

其實兩者都是師法自然

現實中會發生的路徑=最小作用的路徑=組合最佳化的路徑

Google在Nature中發表關於AlphaGo的論文當中的某些部分

同儕團體做過模擬-使用相當的演算法模型無法達到阿發狗的精準度(其說法是視為谷歌未公布的專利演算法)

原因是阿發狗在走子運算當中與圍棋高手走法的精確度異常的高



當然使用量子退火法只是本人的猜測未得到實際的證實

不過目前在人工智慧領域中使用量子退火法做深層類神經網路的訓練的工作正如火如荼地展開

個人認為這個工作根本不是只是單單想做人工智慧這麼簡單而已

而是想製作超過人工智慧的人工智慧目的在於即時處理及判斷全世界所有資訊的海量資訊

以傳統馮紐曼式的計算機算法是根本別想做到(海量資訊的判斷就需海量時間

但如果海量資訊以指數增加時基本上馮紐曼電腦就落伍了)

或者說必須在世界尚未再次變動之前或者說在世界變動時與世界同步處理及判斷世界資訊

簡單說-這也是人類辦不到的

有一次伊隆默思克回母校問他的物理系學弟沒有修人工智慧的請舉手

竟然大家都修了人工智慧

.......


--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 59.115.133.18
※ 文章網址: https://www.ptt.cc/bbs/Physics/M.1459942179.A.4AF.html
推 DrizztMon: 他問有修人工智慧的舉手 搞不好也沒人舉
推 peter308: 你的文章重點我抓不太到
→ sputtering: 我是在想最小作用原理的優勢是只要知道初狀態狀態
→ sputtering: 及末狀態及適當的拘束條件你不必知道運動的軌跡它自然
→ sputtering: 會循著作用量最小的路徑走
→ sputtering: 3D-Ising Model的意思也一樣利用橫向磁場使所有自旋
→ sputtering: 方向相同當磁力漸漸減弱時整個圖就會以能量最小的自旋
→ sputtering: 排列存在這就達到了整個路徑的最佳解
→ sputtering: 所以我說這個世界背後確實存在一位智者
→ sputtering: 不論是DNA的創造不論是恆星的演化不論是基本粒子作用
→ sopare: 世界有智者這結論是怎麼冒出來的
→ recorriendo: 退火是演算法 邏輯閘是硬體 根本不衝突
推 chihshanfang: 推一樓XDDDDDDDD
→ sputtering: 其實我發這篇文的目的也是為了想拋磚引玉求得更好的
→ sputtering: 想法
→ sputtering: 當然我知道一個圍棋程式要打敗世界棋王依靠的不會只有
→ sputtering: 一種決策模式 這當然有谷歌願意公開的和不願意公開的
→ sputtering: 我只是質疑谷歌是在收購了量子電腦以後才有能力做這件
→ sputtering: 事 是否真的如他們自己說的單機就可以打敗李世石 於是
→ sputtering: 我們可以期待下一場谷柯之戰 就能知道阿發狗是不是神
→ Eriri: 谷歌買D-WAVE的電腦的確是為了要用在人工智慧 但阿法狗應該
→ Eriri: 沒有用到D-WAVE
→ sputtering: 遽聞高手們出於直覺一致認定全知者跟人類之間有讓四子
→ sputtering: 的差距我不知道谷柯之戰如果阿發狗讓子的情況會不會發
→ sputtering: 生
→ Eriri: 阿法狗是用一大堆CPU跟GPU併行構成的 我實在不確定D-WAVE是
→ Eriri: 不是可以做到這麼複雜 而且D-WAVE不需要在低溫下才能運作嗎
→ sputtering: 我覺得我就停在這裡好了 以免後面所討論的變成哲學問
→ sputtering: 題 多世詮釋 突變創造論 等等等
→ recorriendo: 模擬退火整個精神就是否定高階智能 你居然可以講出完
→ recorriendo: 全相反的結論 真是太佩服了
→ recorriendo: 模擬退火的啟示就是"單靠local dynamic 也可以達成
→ recorriendo: global optimization 而不用一個global的機制"
→ recorriendo: 在討論動物知能的文獻裡也有類似idea 叫embodied cog
→ recorriendo: ition 就是說 單靠各部位的自發反應 往往就能達到適
→ recorriendo: 應性 而不需要一個強大的控制中樞
→ sputtering: QA和SA本來就差很多 local 經 env. feedback 也能對應
→ sputtering: 到一個global opti.也沒問題 但下棋是策略問題 不是適
→ sputtering: 應問題 環境(對手)一直在改變 當然是主全域搜索比較
→ sputtering: 簡潔
→ sputtering: 我只能這樣說
推 peter308: s 大 你自己做過 最佳化問題嗎???
→ doom8199: 你說的model解法其實原理就是 monte carlo -> CLT
→ doom8199: 但 AlphaGo 會成功，是因為它使用多層類神經網路
→ doom8199: 以及大量的 training data
→ sputtering: https://arxiv.org/ftp/arxiv/papers/1510/1510.06356
→ sputtering: http://adsabs.harvard.edu/abs/2015arXiv151006356A
→ sputtering: http://research.microsoft.com/en-US/events/qml/ada
推 doom8199: 只有第二個 link開的起來;  這很明顯是 CNN/DNN 在強大
→ doom8199: 網路上一大堆方法目的都只是為了能有效的訓練
→ doom8199: 事實上 DNN 最有價值的地方就是每層類神經參數值
→ sputtering: 感謝樓上賜教
→ sputtering: 註:CNN:Cell Neural Network;DNN:Deep Neural Network
→ sputtering: QA:Quantum Annealing;SA:Simulated Annealing