ความรู้ความเข้าใจควอนตัม: สถาปัตยกรรมความรู้ความเข้าใจสำหรับมนุษย์-AI และคอมพิวเตอร์ในหน่วยความจำ ตอนที่ 1

บทความนี้มุ่งเน้นไปที่ปัญญาประดิษฐ์ของมนุษย์ (AI): "เครื่องจักรที่คิด เรียนรู้ และสร้าง" ฉันเน้นย้ำถึงปัญหาบางอย่างที่นำไปสู่ความก้าวหน้าที่ไม่สมดุลใน AI (ความก้าวหน้ามากขึ้นในปัญญาประดิษฐ์และความก้าวหน้าน้อยลง) และแนะนำการรับรู้ควอนตัมในฐานะสถาปัตยกรรมการรับรู้ที่เป็นไปได้สำหรับ AI ของมนุษย์และฮาร์ดแวร์ที่กำลังเติบโต

ในช่วงไม่กี่ปีที่ผ่านมา ด้วยการพัฒนาอย่างรวดเร็วของเทคโนโลยีปัญญาประดิษฐ์ ผู้คนจำนวนมากขึ้นเริ่มให้ความสนใจกับความสัมพันธ์ระหว่างปัญญาประดิษฐ์และความทรงจำ ความสัมพันธ์ระหว่างทั้งสองแยกกันไม่ออก

ปัญญาประดิษฐ์สามารถจำลองกระบวนการความจำของมนุษย์ ทำให้เครื่องจักรจดจำข้อมูล รวมถึงจัดเก็บและเรียกค้นข้อมูลได้เหมือนมนุษย์ ในแง่นี้ เทคโนโลยีปัญญาประดิษฐ์ได้ขยายขีดความสามารถด้านความจำของมนุษย์อย่างมาก ตัวอย่างเช่น ปัญญาประดิษฐ์สามารถช่วยเราในการจดจำคำพูดและรูปภาพ ซึ่งช่วยให้เราจดจำและเข้าใจข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น

ในทางกลับกัน ความสามารถในการจดจำของมนุษย์ยังเป็นแรงบันดาลใจที่สำคัญในการพัฒนาปัญญาประดิษฐ์อีกด้วย ความสามารถด้านความจำของมนุษย์สามารถช่วยให้เราจัดการและวิเคราะห์ข้อมูลได้ดีขึ้น รวมถึงค้นพบความเชื่อมโยงและรูปแบบระหว่างข้อมูล ความสามารถเหล่านี้ยังสามารถแปลงเป็นอัลกอริธึมและโปรแกรมเพื่อช่วยให้คอมพิวเตอร์ประมวลผลและใช้ข้อมูลได้ดีขึ้น ดังนั้นความสามารถในการจดจำของมนุษย์จึงมีความสำคัญต่อการพัฒนาปัญญาประดิษฐ์

กล่าวโดยสรุป ความสัมพันธ์ระหว่างปัญญาประดิษฐ์และความทรงจำกำลังเสริมสร้างซึ่งกันและกัน พวกเขาส่งเสริมซึ่งกันและกันและร่วมกันส่งเสริมความก้าวหน้าทางเทคโนโลยีและสังคม ขอให้เราเผชิญกับการพัฒนาปัญญาประดิษฐ์และความทรงจำในเชิงบวก ด้วยทัศนคติในแง่ดี และเชื่อว่าสิ่งเหล่านี้สามารถนำมาซึ่งอนาคตที่ดีกว่าได้ จะเห็นได้ว่าเราต้องปรับปรุงความจำของเรา และ Cistanche Deserticola สามารถช่วยให้เราปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola เป็นสมุนไพรจีนโบราณที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี

คลิกรู้ 10 วิธีปรับปรุงความจำ

สถาปัตยกรรมการรับรู้ส่วนใหญ่ กล่าวคือ แบบจำลองการให้เหตุผลของมนุษย์ในการวิจัยปัญญาประดิษฐ์ (AI) ไม่จำเป็นต้องพยายามสร้างแบบจำลองกระบวนการให้เหตุผลของมนุษย์ พวกเขาถือว่ามนุษย์เป็นผู้ให้เหตุผล กล่าวคือ ผู้สร้างอรรถประโยชน์สูงสุด ซึ่งมักจะติดตามตรรกะบูลีนเสมอ ซึ่งบอกเป็นนัยว่า เหตุการณ์สามารถรวมกันได้เสมอ (เช่น ผ่านการเชื่อมต่อแบบลอจิคัล) ในลำดับใดก็ได้ พวกเขาพยายามค้นหาตำแหน่งที่เทียบเท่ากับหน่วยทางคณิตศาสตร์ (ALU) ในสมองของมนุษย์ และสับเปลี่ยนข้อมูลเพื่อให้มีการกระจายอย่างเป็นอิสระและเหมือนกัน (IID) ส่วนต่อไปนี้จะแสดงรายละเอียดเพิ่มเติม

ปัญหาเกี่ยวกับความน่าจะเป็นแบบคลาสสิกที่มีเหตุผล

ทฤษฎีความน่าจะเป็นคลาสสิกและสัจพจน์ของโคลโมโกรอฟที่ยอมรับกันอย่างกว้างขวางเป็นไปตามตรรกะบูลีน นี่หมายความว่าตรรกะของเหตุการณ์เป็นแบบสับเปลี่ยนและเหตุการณ์นั้นเข้ากันได้เสมอ นั่นคือ A และ B เหมือนกันกับ B และ A และการวัด A และ B พร้อมกัน หรือ B และ A จะไม่ทำให้เกิดการรบกวน

ตรรกะนี้ทำงานได้ดีสำหรับเหตุการณ์ที่เข้ากันได้ ตัวอย่างเช่น ขั้นแรกให้วัดส่วนสูงและน้ำหนัก ขั้นแรกให้วัดน้ำหนักแล้วตามด้วยส่วนสูง หรือวัดส่วนสูงและน้ำหนักไปพร้อมๆ กัน ล้วนให้ผลลัพธ์ที่เหมือนกัน

แต่ความจริงก็คือเหตุการณ์ต่างๆ อาจไม่เข้ากัน กล่าวคือ การประเมินขึ้นอยู่กับลำดับ และการรบกวนอาจเกิดขึ้นได้ ตัวอย่างเช่น ลองพิจารณาคำถาม ก: "คุณกำลังจะไปฟลอริดาหรือเปล่า?" และคำถาม ข: "คุณได้ยินไหมว่าจะมีพายุถล่มที่ฟลอริดา" ขั้นแรกขอคำตอบสำหรับคำถาม A แล้วตามด้วยคำถาม B หรือการขอคำตอบสำหรับคำถาม B ก่อนแล้วจึงถามคำถาม A หรือการถามคำถาม A และ B พร้อมกันแล้วขอคำตอบอาจทำให้ได้คำตอบที่แตกต่างกัน

นอกจากนี้ คำเชื่อมบูลีนสามารถถูกมองว่าเป็นตัวแทนได้มากกว่าองค์ประกอบหนึ่ง และเปลี่ยนการใช้เหตุผลของมนุษย์ นี่เป็นตัวอย่างง่ายๆ

สมมติว่า Bob ได้รับการระบุว่าเป็นผู้ต้องสงสัยในการใช้ประโยชน์จากช่องโหว่แบบ Zero-day นอกจากนี้ สมมติว่าสมาชิกของกลุ่มแฮ็คที่มีชื่อเสียงชื่อ H.Then มักสังเกตเห็นการใช้ประโยชน์จากช่องโหว่ดังกล่าว สถานการณ์ใดต่อไปนี้น่าจะเป็นไปได้มากกว่ากัน

1. บ๊อบเป็นแฮ็กเกอร์ที่เชี่ยวชาญ

2. Bob เป็นแฮ็กเกอร์ที่เชี่ยวชาญและเป็นสมาชิกของกลุ่ม H

หากพูดตามสัญชาตญาณ สถานการณ์ที่ 2 อาจถูกมองว่าน่าจะเป็นไปได้มากกว่า แต่ด้วยตรรกะบูลีนและทฤษฎีความน่าจะเป็นแบบคลาสสิก ความน่าจะเป็นของเหตุการณ์สองเหตุการณ์ที่เกิดขึ้นพร้อมกันจะต้องไม่ใหญ่กว่าความน่าจะเป็นของเหตุการณ์เดียว เรามองว่าสถานการณ์ที่ 2 มีความเป็นไปได้มากกว่าสถานการณ์ 1 เนื่องจากการเข้าใจผิดร่วมกัน อคติทางการรับรู้ที่ระบุโดย Tversky และ Kahneman1 ซึ่งอธิบายว่ามนุษย์มักจะมีแนวโน้มที่จะเชื่อเรื่องราวที่มีรายละเอียดพร้อมรายละเอียดที่ชัดเจนมากกว่าเรื่องสั้นที่มีขนาดกะทัดรัด ผู้โจมตีแบบฟิชชิ่งได้รับประโยชน์อย่างมากจากอคตินี้โดยให้คำอธิบายที่ชัดเจนและละเอียดเกี่ยวกับเหตุการณ์ที่ต้องการความสนใจทันทีแก่เป้าหมาย จากนั้นจึงขอให้พวกเขาคลิกลิงก์

การเรียนรู้โดยไม่รู้ตัว

Goyal และ Bengio2 โต้แย้งว่าเพื่อให้บรรลุ AI ของมนุษย์ เราจำเป็นต้องย้ายจากระบบ 1/การประมวลผลโดยนัย/โดยไม่รู้ตัว ไปเป็นระบบ 2/การประมวลผลที่ชัดเจน/มีสติ การทำงานของระบบที่ 1 คล้ายกับการขับรถไปในละแวกใกล้เคียงที่เราสามารถเร่งความเร็วและหมดสติได้ การทำงานของระบบที่ 2 คล้ายกับเมื่อเราขับรถไปในย่านที่ไม่คุ้นเคย และต้องช้า มีสติ และอาจต้องรับคำปรึกษาด้วย

ข้อเสนอของ Goyal และ Bengio กำหนดให้มี "การประมวลผลแบบมีสติตามลำดับ" และพิจารณา "ความสนใจในการเลือกว่าจะคำนวณแบบใดเพื่อดำเนินการกับปริมาณเท่าใด" อย่างไรก็ตาม ตามที่กล่าวไว้โดยย่อ ความน่าจะเป็นแบบคลาสสิกมีข้อจำกัดที่สำคัญในการประมวลผลตามลำดับ โดยถือว่าเหตุการณ์ทั้งหมดเข้ากันได้และไม่พิจารณาถึงผลกระทบของลำดับ

ตัวอย่างเช่น เพื่อหลีกเลี่ยงการติดตั้งมากเกินไป (ให้ความสำคัญกับชุดข้อมูลเฉพาะที่ได้รับการฝึกฝนมากเกินไป) ชุมชนการเรียนรู้ของเครื่องจะสับเปลี่ยนข้อมูลเพื่อให้เป็น IID แต่ความจริงก็คือข้อมูลไม่ได้มาถึงเราในฐานะ IID.2

"ธรรมชาติไม่สับเปลี่ยนข้อมูล และเราไม่ควรสับเปลี่ยน เมื่อสับเปลี่ยนข้อมูล เราจะทำลายข้อมูลที่เป็นประโยชน์เกี่ยวกับการเปลี่ยนแปลงการกระจายที่มีอยู่ในข้อมูลที่เรารวบรวมและมีข้อมูลเกี่ยวกับโครงสร้างเชิงสาเหตุ"

ความน่าจะเป็นเชิงควอนตัมสำหรับการให้เหตุผลและการอนุมาน

ฉันขอแนะนำความรู้ความเข้าใจเชิงควอนตัม3เป็นทางเลือกที่เป็นไปได้สำหรับสถาปัตยกรรมการรับรู้ที่ใช้เหตุผลและการอนุมานแบบคลาสสิก การรับรู้ควอนตัมแตกต่างจากควอนตัม มันไม่ได้เป็นไปตามสมมติฐานที่ว่ามีบางสิ่งคล้ายควอนตัมเกิดขึ้นในสมอง แต่ได้รับแรงบันดาลใจจากโครงสร้างทางคณิตศาสตร์ของทฤษฎีควอนตัมและหลักการไดนามิกของมัน ตัวอย่างเช่น ใช้ความน่าจะเป็นควอนตัม—การสร้างแบบจำลองการรับรู้โดยใช้ทฤษฎีความน่าจะเป็นจากกลศาสตร์ควอนตัม โดยไม่มีฟิสิกส์ใดๆ เลย

ส่วนต่อไปนี้แสดงคุณลักษณะตัวอย่างหนึ่งของความน่าจะเป็นควอนตัมที่ทำให้เหมาะสมกับซอฟต์แวร์และฮาร์ดแวร์ของมนุษย์-AI

การจับภาพที่ไม่เข้ากัน

ความน่าจะเป็นแบบควอนตัม ต่างจากความน่าจะเป็นแบบคลาสสิก โดยถือว่าคำถามทั้งหมดเข้ากันได้และสามารถจับสิ่งที่เข้ากันไม่ได้ ความน่าจะเป็นควอนตัมใช้พื้นที่เวกเตอร์และพื้นที่ย่อยคล้ายกับการใช้พื้นที่ตัวอย่างและเหตุการณ์ของความน่าจะเป็นแบบคลาสสิก (นั่นคือ เซตย่อยของพื้นที่ตัวอย่าง) ตามลำดับ Vectorspace มีผลลัพธ์ที่เป็นไปได้ทั้งหมดสำหรับคำถาม เวกเตอร์ที่เป็นตัวแทนผลลัพธ์ของคำถามจะขยายสเปซย่อย 1D เรียกว่ารังสี และเซตของความเชื่อที่บุคคลมีเกี่ยวกับคำถามนั้นแสดงด้วยเวกเตอร์ความยาวหนึ่งหน่วย เรียกว่าเวกเตอร์สถานะ ความน่าจะเป็นแบบควอนตัมยังใช้กระบวนการทำแผนที่ที่เรียกว่าการฉายภาพ และความน่าจะเป็นที่กำหนดให้กับเหตุการณ์จะเท่ากับความยาวกำลังสองของการฉายภาพ ในการคำนวณผลรวมของคำถาม ความน่าจะเป็นควอนตัมใช้การฉายภาพตามลำดับ สิ่งนี้ทำให้สามารถแยกแยะความแตกต่างระหว่างคำสั่งซื้อ นั่นคือ โปรเจ็กต์ A จากนั้นโปรเจ็กต์ Bhas ซึ่งเป็นผลลัพธ์ที่แตกต่างจากโปรเจ็กต์ B และโปรเจ็กต์ A

ทบทวนตัวอย่างที่เรียบง่ายอีกครั้ง

ที่นี่ เราจะกลับมาดูตัวอย่างง่ายๆ ของเราอีกครั้งเพื่อแสดงให้เห็นว่าความน่าจะเป็นเชิงควอนตัมโดยใช้สเปซเวกเตอร์ สามารถแสดงให้เห็นการเข้าใจผิดร่วมกันในเหตุผลของมนุษย์ได้อย่างไร ในรูปที่ 1 ลูกศรสีน้ำเงินแสดงถึง "Bob เป็นแฮ็กเกอร์ที่มีทักษะ" โดย B และการปฏิเสธด้วย ~/B ในทำนองเดียวกัน ลูกศรสีส้มแสดงถึง "การเป็นสมาชิกของกลุ่ม H" โดยมี H และการปฏิเสธด้วย ~/ H. S ซึ่งเป็นเวกเตอร์สถานะ แสดงถึงสถานะความเชื่อของเราเกี่ยวกับลักษณะเฉพาะของบ๊อบ และแสดงด้วยลูกศรสีดำ ในรูปที่ 1 เส้นทางการฉายภาพจะแสดงด้วยเส้นประสีเขียวและสีแดง

ความน่าจะเป็นคำนวณเป็นความยาวกำลังสองของเส้นโครงของเวกเตอร์สถานะบนแกนที่สอดคล้องกัน และแสดงด้วยความยาวกำลังสองสีเขียวและสีแดง การฉายภาพลงบนรังสี B จะแสดงด้วยเส้นประสีเขียว และความน่าจะเป็นของ (B) เท่ากับความยาวกำลังสองของแถบนี้ แสดงด้วยความยาวกำลังสองสีเขียว สำหรับความน่าจะเป็นของ (B และH) เราต้องปฏิบัติตามสองขั้นตอน ดังแสดงด้วยเส้นประสีแดงสองเส้น ขั้นแรก เราฉายเวกเตอร์สถานะลงบนรังสี H ประการที่สอง เราฉายภาพการฉายภาพก่อนหน้านี้ลงบนรังสีบี จากนั้น ความน่าจะเป็นของ (B และ H) คือความยาวกำลังสองของการฉายภาพครั้งสุดท้าย แสดงด้วยความยาวกำลังสองสีแดง

ในรูปที่ 1 ความน่าจะเป็นตามลำดับของ (B และ H) มากกว่าความน่าจะเป็นของเหตุการณ์เดียว นั่นคือ ความน่าจะเป็นของ (B) ซึ่งสอดคล้องกับความยาวของสี่เหลี่ยมสีแดงที่ยาวกว่าความยาวสี่เหลี่ยมสีเขียว นี่เป็นเพราะการเข้าใจผิดร่วมกันที่นำไปสู่การรับรู้ว่าสถานการณ์ที่ 2 นั้นมีความเป็นไปได้มากกว่าสถานการณ์ที่ 1 เราสามารถเชื่อมโยงความไม่ลงรอยกันของ (B และ H) ซึ่งนำไปสู่การรบกวนของพวกเขา กับพฤติกรรมการเป็นตัวแทน (ทางลัดทางจิต) การรวมกันดูเหมือนเป็นตัวแทนมากกว่าองค์ประกอบหนึ่ง และการเป็นสมาชิกของ H สามารถจินตนาการหรือดึงข้อมูลได้ง่ายกว่า Bob ในหมวดหมู่แบบรวม สำหรับคำอธิบายทางคณิตศาสตร์ของตัวอย่างนี้ โปรดดูเอกสารประกอบที่ 10.1109/MC.2023.3242056

ความสามารถของความน่าจะเป็นควอนตัมในการจับความไม่ลงรอยกันยังมีบทบาทสำคัญในการพัฒนาโครงสร้างเชิงสาเหตุสำหรับ AII ของมนุษย์ โดยเฉพาะเมื่อเราจัดการกับเหตุการณ์ที่เข้ากันไม่ได้ด้วยการรวบรวมสถานการณ์ที่ซับซ้อนเข้ากับข้อมูลจำนวนมหาศาลจากแหล่งต่างๆ ในสถานการณ์เช่นนี้ เราจำเป็นต้องมีแบบจำลองโครงสร้างเชิงสาเหตุเพื่อเปิดเผยกลไกเบื้องหลังของข้อมูลเทียบกับการเหนี่ยวนำเชิงสาเหตุเชิงองค์ประกอบ นั่นคือ การสร้างแบบจำลองความสัมพันธ์ระหว่างเหตุและผลเดี่ยว โดยใช้ความน่าจะเป็นแบบคลาสสิก ในสถานการณ์ที่ซับซ้อนเช่นนี้ ความน่าจะเป็นเชิงควอนตัมสามารถจัดเตรียมวิธีการจัดแนวความคิดของการให้เหตุผลเชิงสาเหตุเฉพาะเชิงโครงสร้างโดยการทำงานกับเหตุการณ์ที่เข้ากันไม่ได้ การวางปริภูมิตัวอย่างเข้าด้วยกัน และสร้างปริภูมิเวกเตอร์

ตัวอย่างเช่น สมมติว่าเราจำเป็นต้องทำการตัดสินเชิงคาดการณ์ นั่นคือ ค้นหาความน่าจะเป็นแบบมีเงื่อนไขของผลกระทบที่เกิดจากสาเหตุ หรือ P (เอฟเฟกต์|สาเหตุ) ในปัญหาที่ซับซ้อนซึ่งมีข้อมูลจำนวนมหาศาล โดยที่ลำดับของการมาถึงของข้อมูลมีความสำคัญ ความน่าจะเป็นเชิงควอนตัมช่วยให้เราสามารถแบ่งปัญหาออกเป็นปัญหาเล็กๆ ได้โดยการตอบคำถามต่างๆ เช่น:

P (ผล|cause1, ไม่มีสาเหตุอื่น),P (ผล|cause1, สาเหตุที่2),P (ผล|cause2, สาเหตุที่1) เป็นต้น

ความน่าจะเป็นควอนตัมสำหรับการคำนวณหน่วยความจำใน

ความน่าจะเป็นควอนตัมใช้เวกเตอร์สเปซ ซึ่งคล้ายกับสถาปัตยกรรมสัญลักษณ์เวกเตอร์ของเฟรมเวิร์กการประมวลผล (VSA) หรือที่รู้จักในชื่อการประมวลผลแบบไฮเปอร์มิติ ซึ่งเป็นศูนย์กลางของฮาร์ดแวร์ที่เกิดขึ้นใหม่ เช่น การประมวลผลในหน่วยความจำ (IMC) ในสถาปัตยกรรม von Neumann แบบเดิม หน่วยความจำและโปรเซสเซอร์จะแยกจากกัน และการคำนวณจำเป็นต้องมีการเคลื่อนย้ายข้อมูลไปมา แต่ด้วยสถาปัตยกรรม IMC ที่ใช้ "การคูณเวกเตอร์เมทริกซ์" หน่วยความจำ 4 ตัวและโปรเซสเซอร์จะถูกหลอมรวมเข้าด้วยกัน และการคำนวณจะดำเนินการโดยจัดเก็บข้อมูลโดยมีการเคลื่อนไหวข้อมูลเพียงเล็กน้อย ซึ่งทำให้ IMC แตกต่างจากสถาปัตยกรรม von Neumann ทั่วไป ซึ่งคล้ายกับสมองของมนุษย์ โดยมีหน่วยความจำและ การคำนวณถูกจัดวาง การค้นหาตำแหน่งที่เทียบเท่าของ ALU ในสมองของมนุษย์ถือเป็นความคาดหวังที่ไม่สมจริง

ความน่าจะเป็นเชิงควอนตัมและ IMC ถือได้ว่าเป็นสถาปัตยกรรมการคำนวณที่มีแนวโน้มสำหรับ AII ของมนุษย์ และใช้ VSA ทั้งคู่ ดังนั้นจึงสมเหตุสมผลที่จะพิจารณาความน่าจะเป็นควอนตัมในฐานะสถาปัตยกรรมการรับรู้สำหรับ IMC

นี่คือตัวอย่าง ความจำในการทำงานของสมองมนุษย์เป็นกลไกในการจัดเก็บข้อมูลชั่วคราวที่เกี่ยวข้องกับงานปัจจุบัน เป็นสิ่งสำคัญสำหรับความสามารถทางปัญญา เช่น ความสนใจ การใช้เหตุผล และการเรียนรู้ ดังนั้น สถาปัตยกรรมการรับรู้ส่วนใหญ่จึงนำไปใช้ในรูปแบบใดรูปแบบหนึ่ง ด้วยความรู้ความเข้าใจเชิงควอนตัม เราสามารถใช้เวกเตอร์มิติสูงเพื่อแสดงฟังก์ชันของหน่วยความจำในการทำงาน และจัดการกับข้อมูลที่เกี่ยวข้องในการคำนวณอย่างต่อเนื่อง เวกเตอร์สถานะของความน่าจะเป็นควอนตัมถือได้ว่าเป็นสถานะหน่วยความจำการทำงานที่แสดงถึงความเชื่อของมนุษย์เกี่ยวกับรูปแบบคุณลักษณะ และทำหน้าที่เป็นแคชสำหรับแบบจำลองโลกปัจจุบัน สถานะของระบบ และ/หรือเป้าหมายปัจจุบัน ความน่าจะเป็นควอนตัมสร้างรากฐานทางคณิตศาสตร์ที่แข็งแกร่งสำหรับ IMC และจัดระเบียบ " การดำเนินการกับรูปแบบไฮเปอร์มิติที่สามารถนำไปใช้ในการคำนวณได้" ด้วยการดูรูปแบบเป็นเวกเตอร์ เราสามารถ "เจาะลึกองค์ความรู้อันกว้างใหญ่เกี่ยวกับเวกเตอร์ เมทริกซ์ พีชคณิตเชิงเส้น และอื่นๆ อีกมากมาย นี่เป็นธรรมเนียมปฏิบัติในการวิจัยโครงข่ายประสาทเทียมอย่างแท้จริง แต่ยังคงมีการสำรวจพื้นที่มากมายของการเป็นตัวแทนมิติสูง" ตัวแทนที่ใช้ประโยชน์สูงสุดจากการใช้งานและปฏิบัติตาม Booleanlogic อยู่เสมอ ถือเป็นพื้นฐานของสถาปัตยกรรมคอมพิวเตอร์ AI ที่มีอยู่ แต่ฉันโต้แย้งว่าเราจำเป็นต้องเรียนรู้จากทฤษฎีสัมพัทธภาพของไอน์สไตน์ ทฤษฎีบทความไม่สมบูรณ์ของโกเดล และทฤษฎีเหตุผลที่มีขอบเขตของไซมอน ซึ่งทั้งหมดนี้ให้ความกระจ่างเกี่ยวกับการล่มสลายของค่าสัมบูรณ์

ในบทความนี้ ฉันนำเสนอข้อจำกัดด้านการคำนวณบางประการของระบบ AI ที่มีอยู่ ฉันอธิบายว่า ไม่เหมือนกับสัจพจน์ของความน่าจะเป็นแบบคลาสสิก ตรรกะของเหตุการณ์ไม่จำเป็นต้องเป็นแบบบูลีน ถ้าสองเหตุการณ์ A และ B เข้ากันไม่ได้ แสดงว่าการเรียนรู้ ดังนั้น สถาปัตยกรรมการรับรู้ส่วนใหญ่จึงนำไปใช้ในรูปแบบใดรูปแบบหนึ่ง ด้วยความรู้ความเข้าใจเชิงควอนตัม เราสามารถใช้เวกเตอร์มิติสูงเพื่อแสดงฟังก์ชันของหน่วยความจำในการทำงาน และจัดการกับข้อมูลที่เกี่ยวข้องในการคำนวณอย่างต่อเนื่อง เวกเตอร์สถานะของความน่าจะเป็นควอนตัมถือได้ว่าเป็นสถานะหน่วยความจำการทำงานที่แสดงถึงความเชื่อของมนุษย์เกี่ยวกับรูปแบบคุณลักษณะ และทำหน้าที่เป็นแคชสำหรับแบบจำลองโลกปัจจุบัน สถานะของระบบ และ/หรือเป้าหมายปัจจุบัน

ความน่าจะเป็นควอนตัมสร้างรากฐานทางคณิตศาสตร์ที่แข็งแกร่งสำหรับ IMC และจัดระเบียบ "การดำเนินการเกี่ยวกับรูปแบบไฮเปอร์มิติที่สามารถนำไปใช้ในการคำนวณได้" โดยการดูรูปแบบเป็นเวกเตอร์ เราก็สามารถทำได้

"เจาะลึกองค์ความรู้อันกว้างใหญ่เกี่ยวกับเวกเตอร์ เมทริกซ์ พีชคณิตเชิงเส้น และอื่นๆ นี่เป็นธรรมเนียมปฏิบัติในการวิจัยเครือข่ายประสาทเทียม แต่ยังคงมีการสำรวจพื้นที่อันอุดมสมบูรณ์ของการเป็นตัวแทนมิติสูง"

เอเจนต์ที่ใช้ประโยชน์สูงสุดเสมอ โดยใช้วิธีเริ่มต้นใหม่จะติดตาม Booleanlogic เสมอ เป็นพื้นฐานของ AI ที่มีอยู่ ซึ่งไม่สามารถกำหนดจุดร่วมของเหตุการณ์ A และ B ได้เนื่องจากไม่ได้เดินทาง ตรงกันข้ามกับ Booleanlogic ที่เหตุการณ์จะสลับสับเปลี่ยนกันอยู่เสมอ .

ฉันเสนอคำแนะนำเกี่ยวกับความน่าจะเป็นควอนตัมและอธิบายวิธีการพิจารณาสถานะควอนตัมโดยใช้โครงสร้างที่ไม่ใช่บูลีนของตัวดำเนินการฉายภาพ เพื่อเปรียบเทียบสถานะควอนตัมและสถานะความน่าจะเป็นแบบคลาสสิก ฉันอธิบายว่าสามารถใช้การฉายภาพเพื่ออธิบายการทดลองที่คล้ายกับความน่าจะเป็นแบบคลาสสิกได้อย่างไร ฉันอธิบายว่าแบบจำลองโครงสร้างเชิงสาเหตุ (เทียบกับสาเหตุเชิงสาเหตุ) สามารถช่วยในการจับภาพการประมวลผลแบบมีสติตามลำดับได้อย่างไร Ialso อธิบายด้วยว่าการใช้พื้นที่เวกเตอร์ของความน่าจะเป็นควอนตัมทำให้สถาปัตยกรรมการรับรู้ที่เหมาะสมสำหรับสถาปัตยกรรม IMC ได้อย่างไร

การบรรลุ AII ของมนุษย์และพัฒนา "เครื่องจักรที่คิดเรียนรู้และสร้าง"6 ต้องใช้โมเดลการคำนวณที่สามารถกระทำเช่นเดียวกัน แต่การคิด การเรียนรู้ และการสร้างสรรค์ของมนุษย์มักขึ้นอยู่กับบริบทและลำดับอย่างมาก และนั่นดูน่าสับสนกับความน่าจะเป็นแบบคลาสสิกและแบบจำลองการใช้ประโยชน์สูงสุด

การรับทราบ

เนื้อหานี้อิงจากงานที่ได้รับการสนับสนุนจากมูลนิธิวิทยาศาสตร์แห่งชาติภายใต้รางวัล 2041788 คำอธิบายทางคณิตศาสตร์โดยย่อของการสอบแบบง่ายและการทบทวนซ้ำสามารถดูได้ในเอกสารประกอบเพิ่มเติมที่ 10.1109/MC.2023.3242056

ข้อมูลอ้างอิง

1. A. Tversky และ D. Kahneman, "การให้เหตุผลแบบขยายเทียบกับสัญชาตญาณ: การตัดสินความไม่น่าจะเป็นไปได้ที่เข้าใจผิดร่วมกัน" Psychol สาธุคุณ,ฉบับ. 90 ไม่ 4, หน้า 293–315, ต.ค. 1983, ดอย: 10.1037/0033-295X.90.4.293.

2. A. Goyal และ Y. Bengio, "อคติแบบอุปนัยสำหรับการเรียนรู้อย่างลึกซึ้งเกี่ยวกับการรับรู้ในระดับที่สูงกว่า" Proc. รอย. สังคมสงเคราะห์ ฉบับที่ 478เลขที่ 2266 ต.ค. 2022, ข้อ. เลขที่. 20210068 ดอย: 10.1098/rspa.2021.0068

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

4. S. Spetalnick และ A. Raychowdhury, "การวิเคราะห์พื้นที่การออกแบบเชิงปฏิบัติของการคำนวณในหน่วยความจำด้วย SRAM" IEEE Trans ระบบวงจร ฉัน เร็ก เอกสารฉบับที่ 69 ไม่ใช่ 4, หน้า 1466–1479, เม.ย. 2022, ดอย: 10.1109/TCSI.2021.3138057.

5. P. Kanerva, "คอมพิวเตอร์ไฮเปอร์มิติ: ความรู้เบื้องต้นเกี่ยวกับคอมพิวเตอร์ในการเป็นตัวแทนแบบกระจายด้วยเวกเตอร์สุ่มมิติสูง" Cogn คอมพิวเตอร์, เล่ม. 1 หน้า 139–159 มิ.ย. 2552 ดอย: 10.1007/s12559-009-9009-8

6. H. Simon และ A. Newell, "การแก้ปัญหาแบบฮิวริสติก: การวิจัยการดำเนินงานขั้นสูงครั้งต่อไป" Oper Res.,vol. 6 ไม่ 1 หน้า 1–10 ม.ค./ก.พ. 2501. [ออนไลน์].มีจำหน่าย:https://www.jstor.org/stable/167397

For more information:1950477648nn@gmail.com