作者sputtering (水煮青蛙全球暖化)
看板Physics
标题[闲聊] 量子退火法
时间Wed Apr 6 19:29:32 2016
以前都着眼於量子电脑一定必须要用量子门方法才是正统的量子电脑
在加拿大D-WAVE的量子电脑发表後还一度不削的觉得那根本不是量子电脑
直到韩国围棋高手李世石被谷歌人工智慧围棋程式阿发狗打败之後
我才知道量子退火法使用在深度神经网路中的威力有多麽地多麽地多麽地强大
尤其其中的关键在於处理组合最佳化问题中对比於传统的计算机有爆炸性的能力
其实黑猫白猫能够捉到老鼠的就是好猫
量子退火法充其量只是使用量子效应中的量子穿隧
可是利用量子穿隧效应就能在3D-Ising model中取得能量最低能量状态进而一步到位的取得最佳解
其实想一想3D-Ising model的最低能量解
个人认为跟理查费曼的路径积分法有异曲同工之妙
只是一个是求解最小能量一个是求解最短路径
其实两者都是师法自然
现实中会发生的路径=最小作用的路径=组合最佳化的路径
Google在Nature中发表关於AlphaGo的论文当中的某些部分
同侪团体做过模拟-使用相当的演算法模型无法达到阿发狗的精准度(其说法是视为谷歌未公布的专利演算法)
原因是阿发狗在走子运算当中与围棋高手走法的精确度异常的高
当然使用量子退火法只是本人的猜测未得到实际的证实
不过目前在人工智慧领域中使用量子退火法做深层类神经网路的训练的工作正如火如荼地展开
个人认为这个工作根本不是只是单单想做人工智慧这麽简单而已
而是想制作超过人工智慧的人工智慧目的在於即时处理及判断全世界所有资讯的海量资讯
以传统冯纽曼式的计算机算法是根本别想做到(海量资讯的判断就需海量时间
但如果海量资讯以指数增加时基本上冯纽曼电脑就落伍了)
或者说必须在世界尚未再次变动之前或者说在世界变动时与世界同步处理及判断世界资讯
简单说-这也是人类办不到的
有一次伊隆默思克回母校问他的物理系学弟没有修人工智慧的请举手
竟然大家都修了人工智慧
.......
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 59.115.133.18
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Physics/M.1459942179.A.4AF.html
1F：推 DrizztMon: 他问有修人工智慧的举手 搞不好也没人举 04/06 20:03
2F：推 peter308: 你的文章重点我抓不太到 04/06 21:54
3F：→ sputtering: 我是在想最小作用原理的优势是只要知道初状态状态 04/06 22:08
4F：→ sputtering: 及末状态及适当的拘束条件你不必知道运动的轨迹它自然 04/06 22:12
5F：→ sputtering: 会循着作用量最小的路径走 04/06 22:14
6F：→ sputtering: 3D-Ising Model的意思也一样利用横向磁场使所有自旋 04/06 22:16
7F：→ sputtering: 方向相同当磁力渐渐减弱时整个图就会以能量最小的自旋 04/06 22:19
8F：→ sputtering: 排列存在这就达到了整个路径的最佳解 04/06 22:22
9F：→ sputtering: 所以我说这个世界背後确实存在一位智者 04/06 22:23
10F：→ sputtering: 不论是DNA的创造不论是恒星的演化不论是基本粒子作用 04/06 22:25
11F：→ sopare: 世界有智者这结论是怎麽冒出来的 04/06 23:24
12F：→ recorriendo: 退火是演算法 逻辑闸是硬体 根本不冲突 04/06 23:31
13F：推 chihshanfang: 推一楼XDDDDDDDD 04/07 00:21
14F：→ sputtering: 其实我发这篇文的目的也是为了想抛砖引玉求得更好的 04/07 00:36
15F：→ sputtering: 想法 04/07 00:38
16F：→ sputtering: 当然我知道一个围棋程式要打败世界棋王依靠的不会只有 04/07 00:39
17F：→ sputtering: 一种决策模式 这当然有谷歌愿意公开的和不愿意公开的 04/07 00:40
18F：→ sputtering: 我只是质疑谷歌是在收购了量子电脑以後才有能力做这件 04/07 01:06
19F：→ sputtering: 事 是否真的如他们自己说的单机就可以打败李世石 於是 04/07 01:09
20F：→ sputtering: 我们可以期待下一场谷柯之战 就能知道阿发狗是不是神 04/07 01:11
21F：→ Eriri: 谷歌买D-WAVE的电脑的确是为了要用在人工智慧 但阿法狗应该 04/07 01:30
22F：→ Eriri: 没有用到D-WAVE 04/07 01:31
23F：→ sputtering: 遽闻高手们出於直觉一致认定全知者跟人类之间有让四子 04/07 01:32
24F：→ sputtering: 的差距我不知道谷柯之战如果阿发狗让子的情况会不会发 04/07 01:34
25F：→ sputtering: 生 04/07 01:35
26F：→ Eriri: 阿法狗是用一大堆CPU跟GPU并行构成的 我实在不确定D-WAVE是 04/07 02:14
27F：→ Eriri: 不是可以做到这麽复杂 而且D-WAVE不需要在低温下才能运作吗 04/07 02:14
28F：→ sputtering: 我觉得我就停在这里好了 以免後面所讨论的变成哲学问 04/07 02:37
29F：→ sputtering: 题 多世诠释 突变创造论 等等等 04/07 02:39
30F：→ recorriendo: 模拟退火整个精神就是否定高阶智能 你居然可以讲出完 04/07 04:00
31F：→ recorriendo: 全相反的结论 真是太佩服了 04/07 04:00
32F：→ recorriendo: 模拟退火的启示就是"单靠local dynamic 也可以达成 04/07 04:01
33F：→ recorriendo: global optimization 而不用一个global的机制" 04/07 04:01
34F：→ recorriendo: 在讨论动物知能的文献里也有类似idea 叫embodied cog 04/07 04:03
35F：→ recorriendo: ition 就是说 单靠各部位的自发反应 往往就能达到适 04/07 04:05
36F：→ recorriendo: 应性 而不需要一个强大的控制中枢 04/07 04:06
37F：→ sputtering: QA和SA本来就差很多 local 经 env. feedback 也能对应 04/07 07:04
38F：→ sputtering: 到一个global opti.也没问题 但下棋是策略问题 不是适 04/07 07:07
39F：→ sputtering: 应问题 环境(对手)一直在改变 当然是主全域搜索比较 04/07 07:14
40F：→ sputtering: 简洁 04/07 07:14
41F：→ sputtering: 我只能这样说 04/07 07:15
42F：推 peter308: s 大 你自己做过 最佳化问题吗??? 04/07 12:03
43F：→ doom8199: 你说的model解法其实原理就是 monte carlo -> CLT 04/07 19:35
44F：→ doom8199: 但 AlphaGo 会成功，是因为它使用多层类神经网路 04/07 19:36
45F：→ doom8199: 以及大量的 training data 04/07 19:37
49F：推 doom8199: 只有第二个 link开的起来; 这很明显是 CNN/DNN 在强大 04/14 21:39
50F：→ doom8199: 网路上一大堆方法目的都只是为了能有效的训练 04/14 21:40
51F：→ doom8199: 事实上 DNN 最有价值的地方就是每层类神经参数值 04/14 21:42
52F：→ sputtering: 感谢楼上赐教 04/15 05:45
53F：→ sputtering: 注:CNN:Cell Neural Network;DNN:Deep Neural Network 04/17 08:17
54F：→ sputtering: QA:Quantum Annealing;SA:Simulated Annealing 04/17 08:21