By Sandra Helsel lagt ut 18. august 2022
Quantum News Briefs åpner i dag med Multiverses CTO Sam Mugel-analyse av kvantedatabehandlings rolle i å forutsi og forhindre fremtidige økonomiske nedgangstider, etterfulgt av Tristan Greenes titt på den nylige tvisten mellom DeepMinds kvante-AI-funn og russiske og koreanske forskeres tilbakevisning om at disse funnene ikke er nøyaktige eller ikke relevante. . Dette etterfølges av en titt på Quantum Science Centers fokus på topologisk kvanteberegning og MER.
*****
Kan kvanteberegning bedre forutsi og forhindre økonomiske nedgangstider?
Sam Mugel, Ph.D., CTO for Multiverse Computing, skrev nylig i Forbes om den potensielle fordelen med kvanteberegning ved å forutsi og derfor forutsi økonomiske nedgangstider. Quantum News briefs oppsummerer her.
Mugels artikkel er betimelig med økende frykt for en økonomisk nedgang. Globale økonomier reagerer på en rekke av skiftende press knyttet til den globale pandemien, forsyningskjedeavbrudd, geopolitiske konflikter og de høyeste inflasjonsratene på flere tiår, for å nevne noen. Å gi organisasjoner innsikt i økonomiers oppførsel har stor verdi, men vi er spesielt dårlige til å forutsi økonomiske kriser.
Økonomier har kontinuerlig utviklende nettverk som inkluderer flere aktører og eiendeler. Denne kompleksiteten av mulige konfigurasjoner er det som gjør dem så vanskelige å modellere effektivt, selv når du bruker dagens kraftigste superdatamaskiner.
Oppmerksomheten rettes mot kvantes bruk som et verktøy for å kodifisere kvantitative makroøkonomiske problemer, og avsløre hvordan rikdom utvikler seg over tid som svar på endringer eller forstyrrelser i det finansielle nettverket. Det har allerede blitt vist at kvanteglødeapparater, enheter som opprinnelig ble utviklet for å løse komplekse optimaliseringsproblemer, er ideelt egnet for dette arbeidet.
Ettersom verktøy for å simulere komplekse nettverk utvikles videre i løpet av det neste tiåret, vil sentralbanker og finansinstitusjoner være mye bedre rustet til å forbedre økonomisk motstandskraft. Innsikt i sårbarheter vil bidra til å beskytte finansinstitusjoner og enheter som pensjonsfond mot sjokket av eksepsjonelle hendelser som sannsynligvis vil skje i løpet av porteføljenes levetid. Det vil også hjelpe sentralbanker med å montere et bedre forsvar mot fremtidige anstrengelser for å bevæpne økonomien.
Muguel konkluderer, "Mens kvantedatabehandling har langt igjen for å realisere sitt fulle potensial, genererer teknologien allerede verdifull ny innsikt og peker på løsninger innen markedsprognoser og stabilitet der ingen eksisterte før." Les Muguels originalartikkel her.
*****
DeepMind er uenig med russiske forskere som bestridte Quantum AI-forskningsfunn
Tristan Greene fra NextWeb's Neural dekket en nylig uenighet som DeepMind, et Alphabet-forskningsselskap med base i London står overfor, som publiserte en fascinerende forskningsartikkel for åtte måneder siden der den hevdet å ha løst den enorme utfordringen med å «simulere materie på kvanteskalaen med AI. ” Nå kan en gruppe akademiske forskere fra Russland og Sør-Korea ha avdekket et problem med den opprinnelige forskningen som setter hele artikkelens konklusjon i tvil. Quantum News Briefs oppsummerer nedenfor; Greenes originale og omfattende gjennomgang av denne uenigheten kan leses her.
I desember publiserte DeepMind et papir med tittelen "Pushing the frontiers of tetthetsfunksjoner ved å løse brøkelektronproblemet." I denne artikkelen hevder DeepMind-teamet å ha radikalt forbedret dagens metoder for modellering av kvanteatferd gjennom utviklingen av et nevralt nettverk.
DeepMinds papir kom seg gjennom den innledende, formelle gjennomgangsprosessen. Nå, i august 2022, har et team på åtte akademikere fra Russland og Sør-Korea publisert en kommentar stiller spørsmål ved DeepMinds konklusjon.
Ifølge en pressemelding fra Skolkovo Institute of Science and Technology: "DeepMind AIs evne til å generalisere oppførselen til slike systemer følger ikke av de publiserte resultatene og krever revisjon».
Etter vår mening kan forbedringene i ytelsen til DM21 på BBB-testdatasettet i forhold til DM21m være forårsaket av en mye mer prosaisk grunn: en utilsiktet overlapping mellom trenings- og testdatasettene.
Hvis dette er sant, ville det bety at DeepMind faktisk ikke lærte et nevralt nettverk å forutsi kvantemekanikk. Akademikerne bestrider hvordan DeepMinds AI kom til sine konklusjoner. DeepMind var rask til å svare. Selskapet publiserte sitt svar samme dag som kommentaren og ga en umiddelbar og fast irettesettelse:
Vi er uenige i deres analyse og mener at punktene som er reist enten er feil eller ikke relevante for hovedkonklusjonene i oppgaven og for vurderingen av generell kvalitet til DM21.
Greene avslutter med en provoserende spådom: «Til slutt, ettersom AI-systemer fortsetter å skalere, kan vi nå et punkt der vi ikke lenger har de nødvendige verktøyene for å forstå hvordan de fungerer. Når dette skjer, kan vi se en divergens mellom bedriftsteknologi og det som går gjennom ekstern fagfellevurdering.»
*****
Et mål med ORNLs Quantum Science Center er å bidra til å levere topologisk kvantedatabehandling
Quantum Science Center (QSC), med hovedkontor i Oak Ridge National Laboratory, er ett av fem sentre opprettet av Lov om nasjonal kvanteinitiativ i 2018 og drevet av Department of Energy. John Russell fra HPCWire tok et dypdykk i QSC; Quantum News Briefs oppsummerer her.
QSCs mål er å bidra til å levere topologisk kvanteberegning. Denne tilnærmingen avhenger av en ennå uprøvd partikkel, Marjorana, en av en klasse av mystiske ikke-abelske noen som følger ikke-abelske statistikker.
Kappløpet om topologisk kvanteberegning er litt av et gamble. Det er skeptikere. Microsoft har vært den største forkjemperen for den topologiske tilnærmingen og er en nær QSC-samarbeidspartner. Interessant nok utnytter QSC eksisterende NISQ-systemer i sin innsats for å utvikle topologisk kvanteberegning.
Imidlertid er det mye mer enn å jage ikke-abelske partikler som foregår ved QSC som graver i materialvitenskap, algoritmeutvikling og sensorer, selv om mye av det som gjøres i disse områdene er ment å støtte utviklingen av topologiske datamaskiner.
Det er kanskje bemerkelsesverdig at QIS-sentrene ser ut til å prøve å finne ut identiteter utover laboratoriene der de har hovedkontor. Den nyutnevnte direktøren for QSC Travis Humble sa: "Du har helt rett. Det er så stor interesse for dette emnet for øyeblikket at alle som har en institusjon er dårlig forberedt på å kunne ta det hele. Så for eksempel, på Oak Ridge, er vi lederen for Quantum Science Center, men det er totalt 17 partnere som bidrar til det, og ærlig talt, hvis vi tok bort noen av dem, ville vi ende opp med en gap i våre evner."
*****
2D-array av elektron- og kjernefysiske spinn Qubits åpner ny grense innen kvantevitenskap
Forskere ved Purdue University har åpnet en ny grense innen kvantevitenskap og -teknologi, som muliggjør applikasjoner som kjernemagnetisk resonansspektroskopi i atomskala, og å lese og skrive kvanteinformasjon med kjernefysiske spinn i 2D-materialer.mAs publisert mandag (15. august) i Nature Materials, brukte forskergruppen elektronspinn-qubits som sensorer i atomskala, og også for å utføre den første eksperimentelle kontrollen av kjernefysiske spinn-qubits i ultratynt sekskantet bornitrid.
"Dette er det første arbeidet som viser optisk initialisering og koherent kontroll av kjernefysiske spinn i 2D-materialer," sa den korresponderende forfatteren Tongcang Li, en førsteamanuensis i Purdue i fysikk og astronomi og elektro- og datateknikk, og medlem av Purdue Quantum Science and Engineering Institute. "Nå kan vi bruke lys til å initialisere kjernefysiske spinn og med den kontrollen kan vi skrive og lese kvanteinformasjon med kjernefysiske spinn i 2D-materialer. Denne metoden kan ha mange forskjellige anvendelser innen kvanteminne, kvantesansing og kvantesimulering.»
I dette arbeidet etablerte Li og teamet hans et grensesnitt mellom fotoner og kjernefysiske spinn i ultratynne sekskantede bornitrider. Kjernespinnene kan initialiseres optisk – satt til et kjent spinn – via de omkringliggende elektronspinn-qubitene. Når den er initialisert, kan en radiofrekvens brukes til å endre kjernefysisk spinn-qubit, i hovedsak "skrive" informasjon, eller for å måle endringer i kjernefysiske spinn-qubits, eller "lese" informasjon. Metoden deres utnytter tre nitrogenkjerner om gangen, med mer enn 30 ganger lengre koherenstider enn elektron-qubits ved romtemperatur. Og 2D-materialet kan legges direkte på et annet materiale, og skaper en innebygd sensor.
