.For the longest time: Quantum computing engineers set new standard in silicon chip performance
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
http://jk0620.tripod.com
https://www.facebook.com/junggoo.lee.9
.For the longest time: Quantum computing engineers set new standard in silicon chip performance
가장 오랜 시간 동안: 양자 컴퓨팅 엔지니어는 실리콘 칩 성능의 새로운 표준을 설정했습니다
뉴 사우스 웨일즈 대학교 크레딧: Unsplash/CC0 공개 도메인 SEPTEMBER 30, 2022
양자 컴퓨팅의 세계에서 2밀리초(또는 1000분의 2초)는 매우 긴 시간입니다. 이러한 시간 척도에서 10분의 1초의 눈 깜박임은 영원과 같습니다. 이제 UNSW 시드니의 연구원 팀은 양자 컴퓨터에서 정보의 기본 단위를 나타내는 전자의 속성인 '스핀 큐비트'가 최대 2밀리초 동안 정보를 보유할 수 있음을 증명하는 데 새로운 지평을 열었습니다. 점점 더 복잡해지는 계산에서 큐비트를 조작할 수 있는 시간인 '일관성 시간'으로 알려진 이 성과는 동일한 양자 프로세서 에서 이전 벤치마크보다 100배 더 깁니다 .
"더 긴 일관성 시간은 양자 정보가 저장되는 시간이 더 많다는 것을 의미합니다. 이는 양자 작업을 수행할 때 정확히 필요한 시간입니다."라고 Ph.D. 이론적인 양자 컴퓨팅 연구를 통해 성취에 기여한 학생 Ms Amanda Seedhouse. "일관성 시간은 기본적으로 큐비트의 모든 정보를 손실하기 전에 원하는 알고리즘이나 시퀀스로 모든 작업을 얼마나 오래 수행할 수 있는지 알려줍니다."
양자 컴퓨팅에서 스핀을 계속 움직일수록 계산 중에 정보를 유지할 수 있는 가능성이 높아집니다. 스핀 큐비트가 회전을 멈추면 계산이 축소되고 각 큐비트 가 나타내는 값 이 손실됩니다. 일관성 확장의 개념은 이미 2016년 UNSW의 양자 엔지니어에 의해 실험적으로 확인되었습니다 . 작업을 훨씬 더 어렵게 만드는 것은 미래의 작동하는 양자 컴퓨터가 효과적인 백신 검색, 기상 시스템 모델링 및 기후 변화의 영향을 예측합니다.
작년 말 UNSW 시드니의 같은 팀은 더 많은 열과 간섭을 발생시키지 않으면서 수백만 큐비트를 조작하는 방법에 대해 수십 년 동안 엔지니어를 난처하게 만들었던 기술적 문제를 해결했습니다 .
-연구팀은 자기파로 수백만 개의 전자를 제어하기 위해 수천 개의 작은 안테나를 추가하는 대신 유전체 공진기라는 수정을 도입하여 칩의 모든 큐비트를 제어하기 위해 단 하나의 안테나로 칩의 모든 큐비트를 제어하는 방법을 고안했습니다. 이 결과는 Science Advances 에 게재되었습니다 . 이것은 큐비트가 기존의 이진 컴퓨터처럼 1 또는 0을 나타낼 뿐만 아니라 두 가지를 동시에 나타낼 때 가능한 놀라운 계산을 수행하기 위해 점점 더 많은 큐비트가 온라인 상태가 됨에 따라 필연적으로 증가하는 공간, 열 및 소음 문제를 해결했습니다.
양자 중첩으로 알려진 현상을 사용합니다. 글로벌 대 개별 제어 그러나 이 개념 증명 성과는 여전히 해결해야 할 몇 가지 과제를 남겼습니다. 수석 연구원인 Ms Ingvild Hansen은 이번 주에 발표된 마지막 논문인 Physical Review B , Physical Review A 및 Applied Physics Reviews 저널에 발표된 일련의 논문에서 이러한 문제를 다루기 위해 Seedhouse와 합류했습니다. 단 하나의 안테나로 수백만 큐비트를 제어할 수 있다는 것은 큰 발전이었습니다.
그러나 수백만 개의 큐비트를 한 번에 제어하는 것은 대단한 일이지만 작동하는 양자 컴퓨터는 큐비트를 개별적으로 조작해야 합니다. 모든 스핀 큐비트가 거의 동일한 주파수로 회전하면 동일한 값을 갖게 됩니다.
-계산에서 다른 값을 나타낼 수 있도록 개별적으로 어떻게 제어할 수 있습니까? "우선 우리는 큐비트를 지속적으로 회전시켜 일관성 시간을 향상시킬 수 있다는 것을 이론적으로 보여주었습니다."라고 Hansen은 말합니다. "서커스 공연자가 접시를 회전시키는 것을 상상하면 회전하는 동안 공연이 계속될 수 있습니다. 같은 방식으로 큐비트를 계속 운전하면 정보를 더 오래 유지할 수 있습니다. 우리는 그러한 '옷을 입은'큐빗이 일관성을 가지고 있음을 보여주었습니다. 230마이크로초[2억 3천만 분의 1초] 이상의 시간입니다."
-팀이 소위 '드레싱된' 큐비트로 일관성 시간을 연장할 수 있음을 보여준 후 다음 과제는 프로토콜을 더욱 강력하게 만들고 전역적으로 제어되는 전자도 개별적으로 제어하여 필요한 다른 값을 유지할 수 있다는 것을 보여주는 것이었습니다. 복잡한 계산을 위해. 이것은 팀이 'SMART' 큐비트 프로토콜(사인파 변조, 항상 회전 및 맞춤)이라고 명명한 것을 생성함으로써 달성되었습니다. 큐비트가 원을 그리며 회전하는 대신 메트로놈처럼 앞뒤로 흔들리도록 조작했습니다.
-그런 다음 전기장 이 임의의 큐비트에 개별적으로 적용되면(공진을 없애고) 인접한 큐비트와 다른 템포로 배치될 수 있지만 여전히 동일한 리듬으로 움직입니다. Seedhouse는 "그네를 탄 두 아이가 거의 동시에 앞뒤로 움직이는 것처럼 생각하십시오."라고 말합니다. "그들 중 하나를 밀면 반대쪽 끝에서 호의 끝에 도달하도록 할 수 있으므로 다른 하나는 이제 1이 될 때 하나는 0이 될 수 있습니다." 그 결과 큐비트는 글로벌 제어(자기적으로)의 영향을 받는 동안 개별적으로(전자적으로) 제어될 수 있을 뿐만 아니라 앞에서 언급한 것처럼 일관성 시간이 훨씬 더 길고 양자 계산에 적합합니다.
"우리는 더 나은 성능과 함께 모든 큐비트를 한 번에 제어하는 간단하고 우아한 방법을 보여주었습니다."라고 팀의 선임 연구원 중 한 명인 Dr. Henry Yang이 말했습니다. "SMART 프로토콜은 본격적인 양자 컴퓨터를 위한 잠재적인 경로가 될 것입니다." 연구팀은 표준 실리콘 칩 제조를 사용하여 만들 수 있는 양자 컴퓨터 프로세서를 개발하는 UNSW 스핀아웃 회사인 Diraq의 설립자이자 CEO인 Andrew Dzurak 교수가 이끌고 있습니다. 다음 단계 Hansen은 "우리의 다음 목표는 실험 논문에서 1큐비트로 개념 증명을 보여준 후 2큐비트 계산으로 작동하는 것을 보여주는 것입니다."라고 말했습니다. 이어 "이론이 실제로 입증되었음을 보여주기 위해 소수의 큐비트에서도 이를 수행할 수 있음을 보여주고 싶다"고 말했다.
추가 탐색 강력하고 확장 가능한 분자 큐비트 엔지니어링 추가 정보: Amanda E. Seedhouse et al, 전 세계 분야에서 옷을 입은 스핀을 위한 양자 계산 프로토콜, Physical Review B (2021). DOI: 10.1103/PhysRevB.104.235411 Ingvild Hansen et al, 강력하고 보편적인 양자 계산을 위한 글로벌 필드의 펄스 엔지니어링, Physical Review A (2021). DOI: 10.1103/PhysRevA.104.062415 I. Hansen 외, 실리콘에서 글로벌 큐비트 제어를 위한 고급 드레싱 프로토콜 구현, Applied Physics Reviews (2022). DOI: 10.1063/5.0096467 저널 정보: Science Advances , Physical Review A , Applied Physics Reviews , Physical Review B 뉴사우스웨일스대학교 제공
https://phys.org/news/2022-09-longest-quantum-standard-silicon-chip.html
.A computational shortcut for neural networks
신경망을 위한 계산 단축키
바젤 대학교 올리버 모르쉬 신경망(중앙)은 예를 들어 자성 물질(화살표)과 같은 상전이를 조사하는 데 사용할 수 있습니다. 학점: 바젤대학교 물리학과 SEPTEMBER 30, 2022
-신경망은 사용 가능한 데이터로 훈련하여 작업에 대한 솔루션을 근사화하는 학습 알고리즘입니다. 그러나 일반적으로 그들이 이것을 정확히 어떻게 달성하는지 불분명합니다. 두 명의 젊은 바젤 물리학자가 이제 네트워크를 훈련하지 않고도 최적의 솔루션을 계산할 수 있는 수학적 표현을 도출했습니다. 그들의 결과는 이러한 학습 알고리즘이 어떻게 작동하는지에 대한 통찰력을 제공할 뿐만 아니라 미래의 물리적 시스템에서 알려지지 않은 상전이를 감지하는 데 도움이 될 수 있습니다.
신경망은 뇌의 작동 원리를 기반으로 합니다. 이러한 컴퓨터 알고리즘은 반복적인 훈련을 통해 문제를 해결하는 방법을 배우고, 예를 들어 물체를 구별하거나 구어를 처리할 수 있습니다. 지금까지 몇 년 동안 물리학자들은 신경망 을 사용하여 상전이 도 감지 하려고 노력해 왔습니다 .
상전이는 예를 들어 물이 얼어 얼음이 되는 것과 같은 일상적인 경험에서 우리에게 친숙하지만 종종 감지하기 어려운 자성 물질 또는 양자 시스템 의 서로 다른 상 사이에서 더 복잡한 형태로 발생합니다. Julian Arnold와 Frank Schäfer, 두 명의 Ph.D. 바젤 대학(University of Basel)의 크리스토프 브루더(Christoph Bruder) 교수 연구 그룹의 학생들은 이제 이전보다 더 빠르게 이러한 상전이를 발견할 수 있는 수학적 표현을 단독으로 도출했습니다. 그들은 최근 Physical Review X 에 결과를 발표했습니다 .
교육을 건너뛰면 시간이 절약됩니다. 신경망은 네트워크에 의해 계산된 예측이 입력된 훈련 데이터와 점점 더 밀접하게 일치하도록 하기 위해 많은 훈련 라운드에서 매개변수를 체계적으로 변경하여 학습합니다. 그 훈련 데이터는 사진의 픽셀이 될 수도 있고, 실제로 어떤 것을 배우고 싶은 상전이를 나타내는 물리적 시스템에 대한 측정 결과일 수도 있습니다.
-Arnold는 "신경망은 이미 위상 전이를 감지하는 데 상당히 능숙해졌지만 일반적으로 정확히 어떻게 수행하는지 완전히 불분명합니다."라고 말합니다. 그 상황을 바꾸고 신경망의 "블랙 박스"에 빛을 비추기 위해 Arnold와 Schäfer는 원칙적으로 무한히 많은 훈련 라운드를 거치는 무한한 수의 매개변수가 있는 네트워크의 특수한 경우를 살펴보았습니다. 일반적으로 이러한 네트워크의 예측은 항상 특정 최적 솔루션을 향하는 경향이 있다는 것이 오랫동안 알려져 왔습니다.
-Arnold와 Schäfer는 실제로 네트워크를 훈련시킬 필요 없이 최적의 솔루션을 직접 계산할 수 있는 수학 공식을 도출하기 위한 출발점으로 이것을 사용했습니다. Arnold는 "이 지름길은 컴퓨팅 시간을 엄청나게 줄여줍니다. 우리 솔루션을 계산하는 데 걸리는 시간은 소규모 네트워크에 대한 단일 교육 시간입니다."라고 설명합니다. 네트워크에 대한 통찰력 시간을 절약하는 것 외에도 Basel 물리학자들이 개발한 방법은 파생 방정식이 신경망의 기능에 대한 통찰력을 제공하고 따라서 조사 중인 물리적 시스템 에 대한 통찰력을 제공한다는 장점도 있습니다. 지금까지 Arnold와 Schäfer는 컴퓨터 생성 데이터에 대한 방법을 테스트했습니다. 머지 않아 그들은 이 방법을 실제 측정 데이터에도 적용하기를 원합니다. 미래에는 양자 시뮬레이터나 새로운 재료에서 아직 알려지지 않은 상전이를 감지하는 것이 가능할 것입니다.
추가 탐색 인공 지능이 작동하는 방식을 노출하는 신경망 비교를 위한 새로운 방법 추가 정보: Julian Arnold et al, 위상 전이 감지를 위한 최적의 분석 예측기로 신경망 교체, Physical Review X (2022). DOI: 10.1103/PhysRevX.12.031044 저널 정보: Physical Review X 바젤대학교 제공
https://techxplore.com/news/2022-09-shortcut-neural-networks.html
=====================
메모 2210010515 나의 사고실험 oms 스토리텔링
인공지능 기계학습이 대단한 알파고폴드를 만들어냈다. 그러나 인간의 신경망은 다른 차원의 최적화 답을 찾아낸다. 통찰력인데 어떻게 인간의 뇌에서 정확히 수행하는지 완전히 불분명하다. 그러나 단축키가 존재하는 것으로 보여진다.
나는 그 단축키를 마방진의 상수이라 생각한다. 4차 마방진의 상수는 시작수(입력)에서 상수범위가 나타나고 끝수(출력)를 정하면 정확히 4개의 상수 분포가 정해진다. 이를 1980년초에 정확한 알고리즘을 oms해법으로 발견하였다.
보기1.
oms.상수(02030509)
01020304-0203
05060708-05
09101112-09
13141516
a.oms
01000000
00000001
00010000
00000100
b.oms
01000000
00000100
00000001
00010000
a+b=c.oms
02000000
00000101
00000101
00010100
00(in),01(out)
ex.)
01000016
00000203
00050009
00000000
01000000
00000002
00000003
00050916
-A neural network is a learning algorithm that approximates a solution to a task by training it on the available data. However, it is generally unclear how exactly they achieve this. Two young Basel physicists have now derived a mathematical expression that can compute an optimal solution without training the network. Their results not only provide insight into how these learning algorithms work, but could also help detect unknown phase transitions in future physical systems.
-Arnold says, "Neural networks are already quite good at detecting phase shifts, but it's generally not entirely clear how exactly they do it." To change the situation and shed light on the “black box” of neural networks, Arnold and Schäfer looked at the special case of networks with an infinite number of parameters that in principle go through an infinite number of training rounds. In general, it has been known for a long time that the predictions of these networks always tend towards a certain optimal solution.
-Arnold and Schäfer used this as a starting point for deriving mathematical formulas that could directly compute the optimal solution without actually having to train the network. Arnold explains, "This shortcut saves a lot of computing time. The time it takes to compute our solution is a single training hour for a small network." In addition to saving time for insight into networks, the method developed by Basel physicists also has the advantage that derived equations provide insight into the functioning of neural networks and thus into the physical system under investigation. So far, Arnold and Schäfer have tested their methods on computer-generated data. In the near future, they want to apply this method to real-world measurement data as well. In the future, it may be possible to detect as yet unknown phase transitions in quantum simulators or in new materials.
=======================
memo 2210010515 my thought experiment oms storytelling
Artificial intelligence machine learning has created a great AlphaGoFold. However, human neural networks find a different level of optimization. Insightful, but it's completely unclear how exactly it does it in the human brain. However, the shortcut appears to exist.
I think of that shortcut as a constant of the magic square. The constant range of the 4th magic square appears from the starting number (input), and when the end number (output) is determined, exactly four constant distributions are determined. In the early 1980s, an accurate algorithm was discovered as an oms solution.
View 1.
oms. constant(02030509)
01020304-0203
05060708-05
09101112-09
13141516
a.oms
01000000
00000001
00010000
00000100
b.oms
01000000
00000100
00000001
00010000
a+b=c.oms
02000000
00000101
00000101
00010100
00(in), 01(out)
ex.)
01000016
00000203
00050009
00000000
01000000
00000002
00000003
00050916
댓글