科技行者 1月9日 北京消息(文/李祥敬):在CES 2020上,IBM宣布擴張Q Network以推進量子計算,新公布的成員包括高盛集團、富國銀行、達美航空、斯坦福大學(xué)、喬治亞理工學(xué)院和洛斯阿拉莫斯國家實驗室。達美航空首席執(zhí)行Ed Bastian在CES主題演講中表示,達美航空正致力于解決旅行和運輸方面的挑戰(zhàn),試圖利用這項技術(shù)來緩解乘客的壓力。
吊燈?并不是。這是世界上最先進的量子計算機之一的IBM Q。
IBM Q Network作為一個全球范圍的團體,致力于先進量子計算的發(fā)展及其在工業(yè)和科研領(lǐng)域的應(yīng)用。在這個團體內(nèi)的成員可以通過云技術(shù)在IBM量子計算機上進行實驗和運行算法。而且,這些初創(chuàng)公司還能有機會在潛在的應(yīng)用上與IBM的研究人員和技術(shù)SME進行合作,同時還包括這個團體的其他參與者之間的合作。
IBM Q Network于2017年12月創(chuàng)立,為參與者提供基于云技術(shù)的多層次接入手段,使他們可以接觸到量子計算方面的專家和資源;對于特定的參與者,還將提供接觸IBM Q系統(tǒng)的機會,而IBM Q系統(tǒng)是目前可用的最先進、最易擴展的量子計算系統(tǒng)之一。IBM Q可為在量子計算競賽中的初創(chuàng)公司提供與深度接觸API和高級量子軟件工具的機會,以及來自IBM科學(xué)家、技術(shù)人員和顧問的關(guān)于未來量子技術(shù)應(yīng)用的建議。
目前有大約100個企業(yè)組織在使用IBM Q Network,包括各種私人公司、學(xué)術(shù)機構(gòu)和政府研究實驗室。這些企業(yè)組織都將在量子計算實踐應(yīng)用研究中采用IBM Q Network,把200000多個新用戶連接到IBM現(xiàn)有的量子系統(tǒng)和模擬器。目前已經(jīng)有200多篇有關(guān)量子計算應(yīng)用的第三方研究論文是由Q Network提供支持的。
這些企業(yè)組織通過IBM Q Network可以訪問全球最大規(guī)模的量子計算機集群(包括IBM新型53比特量子計算機,迄今為止同類計算機中功能最強大的機器),用于商業(yè)和基礎(chǔ)研究等用途。
過去十年,IBM 一直是最活躍的量子計算支持者之一。IBM希望與這些新合作伙伴展開合作,通過量子計算解決一系列社會問題和商業(yè)問題。量子計算將給關(guān)鍵問題帶來深遠的影響,例如全球應(yīng)對氣候變化的過程中尋找新型材料來獲取碳,以及發(fā)現(xiàn)可能為節(jié)能型電池供電的新化學(xué)方法。
就在幾周之前,IBM剛剛表示,已經(jīng)在德國和日本安裝了兩臺IBM Q System One量子計算機,將改善量子科學(xué)和教育水平。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。