Gwybyddiaeth Cwantwm: Pensaernïaeth Wybyddol ar gyfer Cyfrifiadura Dynol-AI A Mewn Cof Rhan 1

Mae'r erthygl hon yn canolbwyntio ar ddeallusrwydd dynol-artiffisial (AI): "peiriannau sy'n meddwl, sy'n dysgu, ac sy'n creu". Rwy’n taflu goleuni ar rai materion sydd wedi arwain at gynnydd anghytbwys mewn AI (mwy o gynnydd mewn deallusrwydd artiffisial a llai o ddeallusrwydd cynnydd) ac yn cyflwyno gwybyddiaeth cwantwm fel pensaernïaeth wybyddol hyfyw ar gyfer AI dynol a chaledwedd sy’n dod i’r amlwg.

Yn ystod y blynyddoedd diwethaf, gyda datblygiad cyflym technoleg deallusrwydd artiffisial, mae mwy a mwy o bobl wedi dechrau rhoi sylw i'r berthynas rhwng deallusrwydd artiffisial a chof. Mae'r berthynas rhwng y ddau yn anwahanadwy.

Gall deallusrwydd artiffisial efelychu'r broses cof dynol, gan ganiatáu i beiriannau gofio gwybodaeth a'i storio a'i hadalw fel bodau dynol. Yn yr ystyr hwn, mae technoleg deallusrwydd artiffisial wedi ehangu galluoedd cof dynol yn fawr. Er enghraifft, gall deallusrwydd artiffisial ein cynorthwyo i adnabod lleferydd a delwedd, a thrwy hynny ein helpu i gofio a deall gwybodaeth yn fwy effeithiol.

Ar y llaw arall, gall gallu cof dynol hefyd ddarparu ysbrydoliaeth bwysig ar gyfer datblygu deallusrwydd artiffisial. Gall gallu cof dynol ein helpu i reoli a dadansoddi data yn well a darganfod cysylltiadau a phatrymau rhwng data. Gall y galluoedd hyn hefyd gael eu trawsnewid yn algorithmau a rhaglenni i helpu cyfrifiaduron i brosesu a defnyddio data yn well. Felly, mae gallu cof dynol yn hanfodol i ddatblygiad deallusrwydd artiffisial.

Yn fyr, mae'r berthynas rhwng deallusrwydd artiffisial a chof yn atgyfnerthu ei gilydd. Maent yn ategu ei gilydd ac yn hyrwyddo cynnydd technolegol a chymdeithasol ar y cyd. Gadewch inni wynebu datblygiad deallusrwydd artiffisial a chof yn gadarnhaol, gydag agwedd optimistaidd, a chredwn y gallant ddod â dyfodol gwell. Gellir gweld bod angen i ni wella ein cof, a gall Cistanche deserticola ein helpu'n sylweddol i wella ein cof oherwydd bod Cistanche deserticola yn ddeunydd meddyginiaethol Tsieineaidd traddodiadol sydd â llawer o effeithiau unigryw, ac un ohonynt yw gwella cof. Mae effeithiolrwydd briwgig yn dod o'r nifer o gynhwysion gweithredol sydd ynddo, gan gynnwys asid, polysacaridau, flavonoidau, ac ati. Gall y cynhwysion hyn hybu iechyd yr ymennydd mewn amrywiaeth o ffyrdd.

Cliciwch gwybod 10 ffordd i wella cof

Nid yw'r rhan fwyaf o'r pensaernïaeth wybyddol, hynny yw, modelau o resymu dynol mewn ymchwil deallusrwydd artiffisial (AI), o reidrwydd yn ceisio modelu'r broses ymresymu dynol. gellir cyfuno digwyddiadau bob amser (er enghraifft, trwy gysylltiad rhesymegol) mewn unrhyw drefn. Maen nhw'n ceisio lleoli uned sy'n cyfateb i uned resymeg rifyddeg (ALU) mewn ymennydd dynol, a chymysgu data i'w wneud yn annibynnol ac wedi'i ddosbarthu'n union yr un fath (IID). Mae'r adran ganlynol yn dangos mwy o fanylion.

MATERION GYDA RHESYMAU Tebygolrwydd CLASUROL

Theori tebygolrwydd glasurol ac axiomau Kolmogorov a dderbynnir yn eang yn dilyn rhesymeg Boole. Mae hyn yn awgrymu bod rhesymeg digwyddiadau yn gymudol a bod digwyddiadau bob amser yn gydnaws. Hynny yw, mae A a B yr un fath â B ac A, a bydd mesuriadau cydamserol A a B, neu B ac A yn achosi unrhyw ymyrraeth.

Mae'r rhesymeg hon yn gweithio'n dda ar gyfer digwyddiadau cydnaws. Er enghraifft, mae mesur eich taldra yn gyntaf ac yna eich pwysau, mesur eich pwysau yn gyntaf ac yna eich taldra, neu fesur eich taldra a'ch pwysau ar yr un pryd i gyd yn rhoi'r un canlyniad.

Ond y gwir amdani yw y gallai digwyddiadau fod yn anghydnaws, hynny yw, mae gwerthuso yn dibynnu ar drefn, a gallai ymyrraeth ddigwydd. Er enghraifft, ystyriwch gwestiwnA: "Ydych chi'n mynd i Florida?" a chwestiwn B: "A glywsoch chi fod storm yn dod i Florida?" Gallai gofyn am ateb yn gyntaf i gwestiwn A ac yna cwestiwn B, neu ofyn am ateb yn gyntaf i gwestiwn B ac yna cwestiwn A, neu ofyn cwestiynau A a B ar yr un pryd ac yna gofyn am ateb arwain at atebion gwahanol.

Yn ogystal, gellir gweld cysylltiad Boole yn fwy cynrychioliadol nag un o'i etholwyr ac yn newid rhesymu dynol. Dyma enghraifft symlach.

Tybiwch fod Bob wedi'i nodi fel yr un a ddrwgdybir o fanteisio ar fregusrwydd dim diwrnod. Hefyd, tybiwch fod aelodau grŵp hacio enwog o'r enw H.Then wedi sylwi'n aml ar ymelwa ar fregusrwydd o'r fath, pa un o'r senarios canlynol sy'n fwyaf tebygol?

1. Mae Bob yn haciwr medrus.

2. Mae Bob yn haciwr medrus ac yn aelod o grŵp H.

A siarad yn reddfol, gellid ystyried senario 2 yn fwy tebygol. Ond gyda rhesymeg Boole a damcaniaeth tebygolrwydd clasurol, ni all y tebygolrwydd y bydd dau ddigwyddiad yn digwydd gyda'i gilydd fod yn fwy na'r tebygolrwydd o ddigwyddiad unigol. Rydym yn gweld senario 2 yn fwy tebygol na senario1 oherwydd camsyniad cysylltiol, tuedd wybyddol a nodwyd gan Tversky a Kahneman1 sy'n esbonio bod pobl fel arfer yn fwy tueddol o gredu stori fanwl gyda manylion penodol dros stori gryno fer. Mae ymosodwyr gwe-rwydo wedi elwa'n fawr o'r duedd hon trwy ddarparu disgrifiad clir a manwl i'w targedau o ddigwyddiad sydd angen sylw ar unwaith ac yna gofyn iddynt glicio dolen.

DYSGU ANHYSBYS

Mae Goyal a Bengio2 yn dadlau bod angen i ni, er mwyn cyflawni AI dynol, symud o brosesu system 1 / ymhlyg / anymwybodol i brosesu system 2 / prosesu eglur / ymwybodol. Mae gweithrediad System 1 yn debyg i pan fyddwn yn gyrru mewn cymdogaeth gyfarwydd, lle gallwn fod yn gyflym ac yn anymwybodol. Mae gweithrediad System 2 yn debyg i pan fyddwn yn gyrru mewn cymdogaeth anghyfarwydd ac mae angen inni fod yn araf ac yn ymwybodol ac efallai y bydd angen ymgynghori hefyd.

Mae cynnig Goyal a Bengio yn gofyn am “brosesu dilyniannol ymwybodol” ac ystyried “sylw fel dewis yn ddilyniannol pa gyfrifiant i'w berfformio ar faint.” Fodd bynnag, fel y trafodwyd yn fyr, mae gan debygolrwydd clasurol gyfyngiadau mawr gyda phrosesu dilyniannol. Mae'n tybio bod pob digwyddiad yn gydnaws ac nid yw'n ystyried effaith trefn.

Er enghraifft, er mwyn osgoi gorffitio (gan dalu gormod o sylw i'r set ddata benodol y mae wedi'i hyfforddi arni), mae'r gymuned dysgu peirianyddol yn symud data i'w gwneud yn IID. Ond y realiti yw nad yw data yn ein cyrraedd ni fel IID.2

"Nid yw natur yn cymysgu data, ac ni ddylem. Wrth weshuffle'r data, rydym yn dinistrio gwybodaeth ddefnyddiol am y newidiadau hynny mewn dosbarthiad sy'n gynhenid ​​yn y data rydym yn ei gasglu ac yn cynnwys gwybodaeth am strwythur achosol."

Tebygolrwydd Cwantwm AM RHESYMAU A CHYNHADLEDD

Rwy'n argymell gwybyddiaeth cwantwm3 fel dewis arall ymarferol ar gyfer pensaernïaeth wybyddol sy'n defnyddio rhesymu a chasgliad clasurol. Mae gwybyddiaeth cwantwm yn wahanol i'r cwantwm. Nid yw’n dilyn y dybiaeth bod rhywbeth tebyg i gwantwm yn digwydd yn yr ymennydd ond yn hytrach mae’n cael ei hysbrydoli gan strwythur mathemategol theori cwantwm a’i hegwyddorion dynamig. Er enghraifft, mae'n defnyddio tebygolrwydd cwantwm - modelu gwybyddiaeth gan ddefnyddio'r ddamcaniaeth tebygolrwydd o fecaneg cwantwm, heb ddim o'r ffiseg.

Mae'r adran ganlynol yn dangos nodwedd enghreifftiol o debygolrwydd cwantwm sy'n ei gwneud yn briodol ar gyfer meddalwedd a chaledwedd AI dynol.

CYFANSODDIADAU CAPTURINGIN

Mae tebygolrwydd cwantwm, yn wahanol i debygolrwydd clasurol, yn rhagdybio bod pob cwestiwn yn gydnaws, ac yn gallu dal cwestiynau anghydnaws. Mae tebygolrwydd cwantwm yn defnyddio gofod fector ac is-ofod yn debyg i ddefnydd tebygolrwydd clasurol o ofod sampl a digwyddiad (hynny yw, is-set o ofod sampl), yn y drefn honno. Mae Vectorspace yn cynnwys yr holl ganlyniadau posibl ar gyfer cwestiynau. Mae fector sy'n cynrychioli canlyniad cwestiwn yn rhychwantu is-ofod 1D, a elwir yn belydr, ac mae'r set o gredoau sydd gan berson am y cwestiwn yn cael ei gynrychioli gan fector hyd uned, a elwir yn fector cyflwr. Mae tebygolrwydd cwantwm hefyd yn defnyddio proses fapio, a elwir yn daflunio, ac mae'r tebygolrwydd a roddir i ddigwyddiad yn hafal i hyd sgwâr yr amcanestyniad. I gyfrifo'r cysylltiad rhwng canlyniadau cwestiynau, mae tebygolrwydd cwantwm yn defnyddio rhagamcaniad dilyniannol. Mae hyn yn caniatáu gwahaniaethu rhwng gorchmynion, hynny yw, prosiect A ac yna prosiect Bhas canlyniad gwahanol i brosiectB ac yna prosiect A.

Ailedrych ar yr enghraifft symlach

Yma, rydym yn ailedrych ar ein hesiampl symlach i ddangos sut y gall tebygolrwydd cwantwm, gan ddefnyddio gofod fector, ddangos camsyniad y cyd-gysylltiad mewn rhesymu dynol. Yn Ffigur 1, mae saethau glas yn cynrychioli "Bob yn haciwr medrus" gan B a'i negyddu â ~/B. Yn yr un modd, mae saethau oren yn cynrychioli "bod yn aelod o grŵp H" gyda H ac mae ei negyddu â ~/ H. S, fector y wladwriaeth, yn cynrychioli ein cyflwr cred am gymeriadu Bob ac yn cael ei gynrychioli gan y saeth ddu. Yn Ffigur 1, dangosir llwybrau taflunio gan linellau dotiog gwyrdd a choch.

Mae tebygolrwyddau'n cael eu cyfrifiannu fel hyd sgwâr tafluniad y fector cyflwr ar yr echelin gyfatebol ac yn cael ei ddangos gan hydoedd sgwâr gwyrdd a choch. Mae'r tafluniad i belydr B yn cael ei ddangos gan y llinell ddotiog werdd, ac mae'r tebygolrwydd (B) yn hafal i hyd sgwâr y bar hwn, a ddangosir gan y hyd sgwâr gwyrdd. Ar gyfer y tebygolrwydd o (B aH), mae angen i ni ddilyn dau gam, fel y dangosir gan y ddwy linell doredig coch. Yn gyntaf, rydym yn taflunio fector cyflwr ar y pelydr H. Yn ail, rydym yn taflunio'r tafluniad blaenorol hwn ar y pelydr B. Yna, y tebygolrwydd o (B a H) yw hyd sgwâr yr amcanestyniad olaf, a ddangosir gan hyd y sgwâr coch.

Yn Ffigur 1, mae tebygolrwydd dilyniannol (B a H) yn fwy na thebygolrwydd digwyddiad unigol, hynny yw, y tebygolrwydd o (B), sy'n cyfateb i hyd y sgwâr coch yn hirach na'r hyd sgwâr gwyrdd. Mae hyn oherwydd y camsyniad cysylltiol a arweiniodd at ganfod senario 2 yn fwy tebygol na senario 1. Gallwn gysylltu anghydnawsedd (B aH), gan arwain at eu hymyrraeth, â'r presennoldeb hewristig (llwybr meddwl); mae cysylltiad yn ymddangos yn fwy cynrychioliadol nag un o'i etholwyr, a gall bod yn aelod o H fod yn haws ei ddychmygu neu ei adfer na Bob fel categori cynhwysol. I gael esboniad mathemategol o'r enghraifft hon, gweler y deunyddiau atodol sydd ar gael yn 10.1109/MC.2023.3242056.

Gall gallu tebygolrwydd cwantwm i ddal anghydnawsedd hefyd chwarae rhan bwysig wrth ddatblygu strwythurau achosol ar gyfer AII dynol, yn benodol pan fyddwn yn delio â digwyddiadau anghydnaws trwy lunio sefyllfaoedd cymhleth gyda symiau enfawr o ddata o wahanol ffynonellau. Mewn sefyllfaoedd o'r fath, mae angen modelau strwythurol achosol i ddatgelu mecanweithiau sylfaenol y data yn erbyn ymsefydlu achosol elfennol, hynny yw, modelu perthynas achos-ac-effaith unigol, gan ddefnyddio tebygolrwydd clasurol. Mewn sefyllfaoedd mor gymhleth, gall tebygolrwydd cwantwm fod yn ffordd o ffurfioli'r syniad o resymu achosol lleol trwy weithio gyda digwyddiadau anghydnaws, gludo bylchau sampl ynghyd, a ffurfio gofod fector.

Er enghraifft, tybiwch fod angen i ni wneud dyfarniad rhagfynegol, hynny yw, canfod y tebygolrwydd amodol o achos effaith, neu P (effaith|achos), mewn problem gymhleth gyda symiau enfawr o ddata, lle mae trefn cyrraedd data yn bwysig. Mae tebygolrwydd cwantwm yn ein galluogi i dorri'r broblem yn broblemau llai trwy ateb ymholiadau fel:

P (effaith|achos1, dim achos amgen), P (effaith|achos1, achos2), P (effaith|achos2, achos1), ac ati.

Tebygolrwydd Cwantwm CYFRIFIADURO FORIN-COF

Mae tebygolrwydd cwantwm yn defnyddio gofod fector, sy'n debyg i bensaernïaeth symbolaidd fector y fframwaith cyfrifiadurol (VSAs), a elwir hefyd yn gyfrifiadura hyperddimensiwn, sy'n ganolog i'r caledwedd sy'n dod i'r amlwg, er enghraifft, cyfrifiadura mewn cof (IMC). Mewn pensaernïaeth gonfensiynol von Neumann, mae cof a phrosesydd ar wahân, ac mae'r cyfrifiad yn gofyn am symud data yn ôl ac ymlaen. Ond gyda phensaernïaeth IMC sy'n defnyddio "lluosi fector-matrics,"4 mae cof a phrosesydd yn cael eu hasio, ac mae cyfrifiannau'n cael eu perfformio lle mae data'n cael ei storio heb fawr ddim symudiad data. cyfrifiant yn cael eu cydleoli. Mae lleoli'r hyn sy'n cyfateb i ALU yn yr ymennydd dynol yn ddisgwyliad afrealistig.

Gellir ystyried tebygolrwydd cwantwm ac IMC saernïaeth gyfrifiadol addawol ar gyfer AII dynol gan fod y ddau yn defnyddio VSAs. Felly mae'n rhesymol ystyried tebygolrwydd cwantwm fel pensaernïaeth wybyddol ar gyfer IMC.

Dyma enghraifft. Mae cof gweithredol yn yr ymennydd dynol yn fecanwaith ar gyfer storio gwybodaeth dros dro sy'n gysylltiedig â'r dasg gyfredol. Mae'n hanfodol ar gyfer galluoedd gwybyddol megis sylw, rhesymu, a dysgu; felly, mae'r rhan fwyaf o saernïaeth wybyddol yn ei roi ar waith mewn rhyw ffurf.Gyda gwybyddiaeth cwantwm, gallwn ddefnyddio fectorau dimensiwn uchel i gynrychioli swyddogaeth cof gweithio ac ymdrin â'r data perthnasol mewn cyfrifiant parhaus. Gellir ystyried fector cyflwr tebygolrwydd cwantwm fel cyflwr cof gweithredol sy'n cynrychioli credoau dynol am batrymau nodwedd ac yn gweithredu fel storfa ar gyfer model y byd presennol, cyflwr y system, a / neu nodau cyfredol. Mae tebygolrwydd cwantwm yn adeiladu sylfaen fathemategol gref ar gyfer IMC ac yn trefnu'r " gweithrediadau ar batrymau gor-ddimensiwn y gellid eu defnyddio ar gyfer cyfrifiadura." Wrth edrych ar batrymau fel fectorau, gallwn "ddefnyddio i'r corff helaeth o wybodaeth am fectorau, matricsau, algebra llinol, a thu hwnt. Dyma'n wir yw'r traddodiad mewn ymchwil rhwyd-niwral artiffisial, ond erys meysydd cyfoethog o gynrychiolaeth ddimensiwn uchel i'w harchwilio." Mae asiantau sydd bob amser yn manteisio i'r eithaf ar y defnydd ohono, ac sy'n defnyddio st r uc ti sydd bob amser yn dilyn Booleanlogic, yn sylfaenol i saernïaeth cyfrifiadura AI presennol. Ond rwy'n dadlau bod angen i ni ddysgu o ddamcaniaeth perthnasedd Einstein, theorem anghyflawnrwydd Gödel, a damcaniaeth rhesymoledd ffiniol Simon, wrth iddynt oll daflu goleuni ar gwymp absoliwt.

Yn yr erthygl hon, cyflwynais rai cyfyngiadau cyfrifiannol o systemau AI presennol. Esboniais, yn wahanol i axiomau tebygolrwydd clasurol, nad yw'r digwyddiadau rhesymeg o reidrwydd yn Boole. Os yw dau ddigwyddiad A a B yn anghydnaws, yna dysg; felly, mae'r rhan fwyaf o saernïaeth wybyddol yn ei roi ar waith mewn rhyw ffurf.Gyda gwybyddiaeth cwantwm, gallwn ddefnyddio fectorau dimensiwn uchel i gynrychioli swyddogaeth cof gweithio ac ymdrin â'r data perthnasol mewn cyfrifiant parhaus. Gellir ystyried fector cyflwr tebygolrwydd cwantwm fel cyflwr cof gweithredol sy'n cynrychioli credoau dynol am batrymau nodwedd ac sy'n gweithredu fel storfa ar gyfer model y byd presennol, cyflwr y system, a/neu nodau cyfredol.

Mae tebygolrwydd cwantwm yn adeiladu sylfaen fathemategol gref ar gyfer IMC ac yn trefnu'r "gweithrediadau ar batrymau hyperdimensiwn y gellid eu defnyddio ar gyfer cyfrifiadura." Trwy edrych ar batrymau fel fectorau, gallwn

"mynd i mewn i'r corff helaeth o wybodaeth am fectorau, matricsau, algebra llinol, a thu hwnt. Mae hyn yn wir wedi bod yn y traddodiad mewn ymchwil artiffisial-rhwydau niwral, ond eto mae meysydd cyfoethog o gynrychiolaeth dimensiwn uchel i'w harchwilio."

Mae asiantau sydd bob amser yn manteisio i'r eithaf ar y defnydd ohono, ac sy'n defnyddio'r storfeydd sydd bob amser yn dilyn Booleanlogic, yn sylfaenol i'r AI presennol ni ellir diffinio'r cysylltiad rhwng digwyddiadau A a B oherwydd nad ydynt yn cymudo, mewn cyferbyniad llwyr â Booleanlogic, lle mae digwyddiadau bob amser yn cymudo. .

Cynigiais argymhellion ynghylch tebygolrwydd cwantwm ac eglurais sut i ystyried mesurau cyflyrau cwantwm dros strwythur gweithredwyr rhagamcaniadau nad ydynt yn Boole. I gymharu cyflyrau cwantwm a chyflyrau tebygolrwydd clasurol, eglurais sut y gellir defnyddio rhagamcaniad i ddisgrifio arbrofion tebyg i debygolrwydd clasurol. Esboniais sut y gall modelau strwythurol achosol (yn erbyn achosolineiddiad elfennol) helpu gyda phrosesu ymwybodol dilyniannol. Esboniodd Ialso sut mae defnydd tebygolrwydd cwantwm o ofod fector yn ei gwneud yn anaddas i bensaernïaeth wybyddol ar gyfer pensaernïaeth IMC.

Mae cyflawni AII dynol a datblygu "peiriannau sy'n meddwl sy'n dysgu ac sy'n creu"6 yn gofyn am fodelau cyfrifiannol a all weithredu yn yr un modd. Ond mae meddwl, dysgu a chreu dynol yn aml yn dibynnu’n gryf ar gyd-destun a threfn, ac mae hynny’n ymddangos yn ddryslyd i fodelau tebygolrwydd clasurol a mwyhau cyfleustodau.

CYDNABYDDIAETH

Mae'r deunydd hwn yn seiliedig ar waith a gefnogir gan y National ScienceFoundation o dan Wobr 2041788. Gellir dod o hyd i esboniad mathemategol byr o'r arholiad symlach a'i ailymweliad yn y deunyddiau atodol sydd ar gael yn 10.1109/MC.2023.3242056.

CYFEIRIADAU

1. A. Tversky a D. Kahneman, "Ymresymiad estynedig yn erbyn greddfol : Barn annhebygolrwydd camsyniadol," Psychol. Parch., cyf. 90, na. 4, tt. 293–315, Hydref 1983,doi: 10.1037/0033-295X.90.4.293.

2. A. Goyal ac Y. Bengio, " Tueddiadau anwythol i ddysgu dyfnion uwch- wybyddiaeth," Proc. Roy. Soc. A, cyf. 478, rhif. 2266, Hydref 2022, Celf. nac oes. 20210068,doi: 10.1098/rspa.2021.0068.

3. JR Busemeyer a P. Bruza, Quantum Models of Cognition and Decision.Cambridge, UK: Cambridge Univ.Press, 2014.

4. S. Spetalnick ac A. Raychowdhury, "Dadansoddiad ymarferol o ddylunio-gofod o gyfrifo-yn-cof gyda SRAM," IEEE Trans. Syst Cylchedau. I, Rheg. Papurau, cyf. 69, na. 4, tt. 1466–1479, Ebrill 2022, doi: 10.1109/TCSI.2021.3138057.

5. P. Kanerva, "Hyperdimensionalcomputing: Cyflwyniad i gyfrifiadura mewn cynrychiolaeth ddosbarthedig gyda hapfectorau dimensiwn uchel," Cogn. Comput., cyf. 1, tt.139–159, Mehefin 2009, doi: 10.1007/s12559-009-9009-8.

6. H. Simon ac A. Newell, "Heuristicproblem Datrys: Yr ymchwil ymlaen llaw nesaf i weithrediadau," Oper. Res., cyf. 6, na. 1, tt 1–10, Ion./Chwef. 1958. [Ar-lein].Ar gael:https://www.jstor.org/stable/167397

For more information:1950477648nn@gmail.com