И снова о нейросетях

Обратите внимание на следущий отрывок из романа Ивана Ефремова «Лезвие бритвы»:

«Сергей нахмурился, вдруг щёлкнул пальцами и добавил:

— Удивляюсь я на скотскую тупость нашего начальства. Такие учёные, как Иван Родионович, очень нужны, прямо необходимы науке. Он — бездна знания, настоящий энциклопедист и всегда будет центром кристаллизации научных идей, всегда держать научную мысль на высоком уровне. Специальность его не имеет значения, ведь он не прямой изобретатель, а разгребатель огромной кучи бессмысленного набора фактов. Он прокладывает дороги сквозь эту кучу, за которой большинство просто не видит пути, а громоздит её всё выше.

— Ого, да ты соображаешь! — поглядела на студента с уважением Вера».

Проведя логический и литературоведческий анализ данного текста, мы поймём, что это не просто мнение отдельного и конкретного героя романа, а убеждение самого автора. Отрывок выделен как эмоционально (фразы «скотская тупость» самого Сергея, «ого, да ты соображаешь!» Веры), так и расположением фразы внутри главы (до этого Сергей и Вера рассуждают, с какой девушкой встречается Гирин, то есть высказывание героя не связано с предыдущими).

В самом монологе Сергея следует выделить эти слова:

«ведь он не прямой изобретатель, а разгребатель огромной кучи бессмысленного набора фактов».

Расшифровываются они следующим образом: Гирин анализирует большой объём данных и находит оптимальное решение, которое другие не нашли. На что не обратили внимания. Просто банально не увидели такую возможность (а она была).

То есть Гирин не изобретает что-то новое, а генерирует его на основе известных до этого фактов.

При этом он обладает внутренней свободой — то есть реально явленной свободой в смысле освобождения человека внутри себя от оков собственных предубеждений, представлений и образов.

А что делает нейросеть? Да то же самое.

С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа.

С точки зрения математики, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации.

С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники.

С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма.

С точки зрения искусственного интеллекта, ИНС является основой философского течения коннекционизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумлённых», частично искажённых данных.

https://w.wiki/4jCP

И если применение искусственного интеллекта в сфере искусства многими людьми критикуется (часто несправедливо), то использование нейронных сетей для научных открытий — очевидное благо для человечества.

Свежий пример такого применения был опубликован недавно в научном журнале Physical Review Letters.

Искусственный интеллект предложил революционный подход к созданию квантовой запутанности.

Группа физиков из Нанкинского университета (Китай) и Института науки о свете Макса Планка (Германия) с помощью специально разработанного искусственного интеллекта (ИИ) открыла новый, более простой способ создания квантовой запутанности. Этот метод, основанный на использовании неразличимых направлений выхода фотонов, может значительно упростить разработку квантовых технологий, включая квантовые компьютеры и сети квантовой связи.

Квантовая запутанность — это явление, при котором две или более частиц становятся связанными на квантовом уровне, разделяя свои свойства независимо от расстояния между ними. Это явление лежит в основе многих квантовых технологий, включая квантовые вычисления и квантовую телепортацию. Традиционные методы создания квантовой запутанности требуют сложных процедур, таких как генерация нелинейных оптических эффектов или использование предварительно запутанных пар фотонов. Один из стандартных протоколов, известный как "измерение состояния Белла", предполагает измерение степени запутанности одной частицы из каждой пары, что приводит к запутыванию оставшихся частиц. Однако такие методы требуют значительных ресурсов и сложного оборудования.

Исследователи использовали инструмент ИИ под названием PyTheus, разработанный специально для проектирования экспериментов в области квантовой оптики. ИИ был обучен на наборе данных, описывающих различные условия и параметры квантовых экспериментов.

Вместо того чтобы воспроизводить уже известные протоколы, PyTheus предложил принципиально новый подход. Согласно этому методу, запутанность возникает, если направления выхода фотонов становятся неразличимыми. Другими словами, если невозможно определить, из какого источника был испущен фотон, система автоматически создает запутанное состояние. «Мы демонстрируем принципиально иной способ запутывания двух независимых частиц, без необходимости их прямого взаимодействия или общего прошлого», — пояснили авторы исследования.

Изначально ученые отнеслись к предложению ИИ скептически. «Мы ожидали, что алгоритм просто воспроизведет известные протоколы, такие как обмен запутанностью. Однако он предложил что-то гораздо более простое, что мы сначала сочли ошибочным», — рассказал Марио Кренн из Института Макса Планка, соавтор исследования. После тщательного анализа команда подтвердила, что метод PyTheus действительно работает. Новый протокол позволяет создавать запутанность между двумя фотонами без необходимости предварительного запутывания или измерения состояния Белла. Это открытие может иметь значительные последствия для развития квантовых технологий. Упрощение процесса создания запутанности может ускорить разработку более сложных и эффективных квантовых сетей связи. «Возможность создавать более сложные сети, которые могут ветвиться в различных геометриях, может иметь огромное влияние по сравнению с простыми линейными системами», — отметила София Вальекорса из Европейского совета по ядерным исследованиям (CERN), не участвовавшая в исследовании. Однако ученые подчеркивают, что необходимо провести дополнительные исследования, чтобы определить устойчивость метода к внешним шумам и другим помехам.

Это исследование демонстрирует потенциал искусственного интеллекта в ускорении научных открытий. Несмотря на скептицизм, который иногда вызывает ИИ среди ученых, такие инструменты, как PyTheus, могут предлагать неожиданные и инновационные решения сложных проблем. «Для меня это изменило представление о том, что необходимо для создания запутанности. Теперь мы знаем, что некоторые вещи, которые считались обязательными, на самом деле таковыми не являются», — поделился Марио Кренн. Открытие нового метода создания квантовой запутанности с помощью ИИ открывает новые горизонты для квантовых технологий. Этот подход не только упрощает процесс, но и демонстрирует, как искусственный интеллект может стать мощным инструментом в руках ученых, помогая им находить решения, которые ранее казались невозможными.

Источник: New-Science.ru https://new-science.ru/uchenye-otkryli-novyj-metod-uproshheniya-kvantovoj-zaputannosti-s-pomoshhju-iskusstvennogo-intellekta/

Повторюсь — не надо думать, что нейросеть при этом обладает сознанием. Но действует она на тех же принципах, на которых действовал бы и человек, обладающий внутренней свободой и не зацикленный на определённых правилах, которые якобы нельзя нарушать.

Вспомним цитату из романа Ивана Ефремова: «Час Быка»:

«Учёные Торманса очень много занимались отрицанием, словесно уничтожая то, чего якобы не может быть и нельзя изучать. Об известных явлениях природы твердили как о несуществующих, не понимая сложности мира».

В приведённом выше примере нейросеть как раз предложила простой вариант, который казался учёным-людям невозможным. Но, поскольку искусственный интеллект не отягощён заранее сформированными убеждениями, он и смог сделать такой вывод.

Источник: new-science.ru

Комментарии: