By Sandra Helsel postat 18 augusti 2022
Quantum News Briefs inleds idag med Multiverses CTO Sam Mugel analys av kvantberäkningens roll i att förutsäga och förhindra framtida ekonomiska nedgångar, följt av Tristan Greenes blick på den senaste tvisten mellan DeepMinds kvant-AI-fynd och ryska och koreanska forskares motbevisning om att dessa fynd inte är korrekta eller inte relevanta. . Detta följs av en titt på Quantum Science Centers fokus på topologisk kvantberäkning och MER.
*****
Kan Quantum Computing bättre förutsäga och förhindra ekonomiska nedgångar?
Sam Mugel, Ph.D., CTO för Multiverse Computing, skrev nyligen i Forbes om den potentiella nyttan av kvantberäkningar för att förutsäga och därför förutsäga ekonomiska nedgångar. Quantum News sammanfattningar här.
Mugels artikel är läglig med växande rädsla för en ekonomisk nedgång. Globala ekonomier reagerar på en rad föränderliga tryck relaterade till den globala pandemin, störningar i leveranskedjan, geopolitiska konflikter och de högsta inflationstakten på decennier, för att nämna några. Att förse organisationer med insikter i ekonomiers beteende har enormt värde, men vi är särskilt dåliga på att förutsäga ekonomiska kriser.
Ekonomier har ständigt utvecklade nätverk som inkluderar flera aktörer och tillgångar. Denna komplexitet av möjliga konfigurationer är det som gör dem så svåra att modellera effektivt, även när man använder dagens mest kraftfulla superdatorer.
Uppmärksamheten vänder sig mot quantums användning som ett verktyg för att kodifiera kvantitativa makroekonomiska problem, och avslöjar hur välstånd utvecklas över tid som svar på förändringar eller störningar inom det finansiella nätverket. Det har redan visat sig att kvantglödgare, enheter som ursprungligen utvecklades för att lösa komplexa optimeringsproblem, är idealiska för detta arbete.
När verktyg för att simulera komplexa nätverk utvecklas ytterligare under det kommande decenniet kommer centralbanker och finansinstitut att vara mycket bättre rustade för att förbättra den ekonomiska motståndskraften. Insikter om sårbarheter kommer att hjälpa till att skydda finansiella institutioner och enheter som pensionsfonder från chocken av exceptionella händelser som sannolikt kommer att inträffa under portföljernas livstid. Det kommer också att hjälpa centralbankerna att skapa ett bättre försvar mot framtida ansträngningar för att beväpna ekonomin.
Muguel avslutar, "Medan kvantdatorn har långt kvar att resa för att förverkliga sin fulla potential, genererar tekniken redan värdefulla nya insikter och pekar på lösningar inom marknadsprognoser och stabilitet där ingen funnits tidigare." Läs Muguels originalartikel här.
*****
DeepMind håller inte med ryska forskare som ifrågasatte Quantum AI-forskningsresultat
Tristan Greene från NextWeb's Neural täckte en nyligen oenighet som DeepMind, ett alfabetsforskningsföretag baserat i London står inför, som publicerade en fascinerande forskningsartikel för åtta månader sedan där den påstod sig ha löst den enorma utmaningen att "simulera materia på kvantskalan med AI. ” Nu kan en grupp akademiska forskare från Ryssland och Sydkorea ha upptäckt ett problem med den ursprungliga forskningen som sätter uppsatsens hela slutsats i tvivel. Quantum News Briefs sammanfattar nedan; Greenes ursprungliga och omfattande recension av denna oenighet kan läsas här.
I december publicerade DeepMind ett papper med titeln "Att tänja på gränserna för densitetsfunktioner genom att lösa problemet med fraktionerad elektron." I denna artikel hävdar DeepMind-teamet att de radikalt har förbättrat nuvarande metoder för att modellera kvantbeteende genom utvecklingen av ett neuralt nätverk.
DeepMinds papper tog sig igenom den inledande, formella granskningen. Nu, i augusti 2022, har ett team av åtta akademiker från Ryssland och Sydkorea publicerat en kommentar ifrågasätter DeepMinds slutsats.
Enligt ett pressmeddelande från Skolkovo Institute of Science and Technology: "DeepMind AI:s förmåga att generalisera beteendet hos sådana system följer inte av de publicerade resultaten och kräver återbesök. "
Enligt vår åsikt kan förbättringarna i prestandan för DM21 på BBB-testdatauppsättningen i förhållande till DM21m orsakas av en mycket mer prosaisk anledning: en oavsiktlig överlappning mellan tränings- och testdatauppsättningarna.
Om detta är sant skulle det betyda att DeepMind faktiskt inte lärde ett neuralt nätverk att förutsäga kvantmekanik. Akademikerna ifrågasätter hur DeepMinds AI kom till sina slutsatser. DeepMind svarade snabbt. Företaget publicerade sitt svar samma dag som kommentaren och gav en omedelbar och bestämd tillrättavisning:
Vi håller inte med om deras analys och anser att de punkter som tagits upp antingen är felaktiga eller inte relevanta för uppsatsens huvudslutsatser och för bedömningen av den allmänna kvaliteten på DM21.
Greene avslutar med en provocerande förutsägelse: "Så småningom, när AI-system fortsätter att skala, kan vi nå en punkt där vi inte längre har de verktyg som krävs för att förstå hur de fungerar. När detta händer kan vi se en divergens mellan företagsteknologi och den som klarar extern granskning.”
*****
Ett mål med ORNL:s Quantum Science Center är att hjälpa till att leverera topologisk kvantberäkning
Quantum Science Center (QSC), med huvudkontor vid Oak Ridge National Laboratory, är ett av fem centra som skapats av National Quantum Initiative Act 2018 och drivs av Department of Energy. John Russell från HPCWire tog en djupdykning i QSC; Quantum News Briefs sammanfattar här.
QSC:s mål är att hjälpa till att leverera topologisk kvantberäkning. Detta tillvägagångssätt beror på en ännu oprövad partikel, Mejjan, en av en klass av mystiska icke-abelska alla som följer icke-abelsk statistik.
Kapplöpet om topologisk kvantberäkning är lite av en chansning. Det finns skeptiker. Microsoft har varit den största förkämpen för det topologiska tillvägagångssättet och är en nära QSC-samarbetspartner. Intressant nog, i sin ansträngning att utveckla topologisk kvantberäkning, utnyttjar QSC befintliga NISQ-system.
Det pågår dock mycket mer än att jaga icke-abelska partiklar på QSC som gräver i materialvetenskap, algoritmutveckling och sensorer, även om mycket av det som görs inom dessa områden är avsett att stödja utvecklingen av topologiska datorer.
Det är kanske anmärkningsvärt att QIS-centren verkar försöka skapa identiteter bortom de labb där de har sitt huvudkontor. Den nyutnämnde chefen för QSC Travis Humble sa: "Du har helt rätt. Det finns så stort intresse för detta ämne just nu att alla som har en institution är dåligt förberedda på att kunna ta sig an allt. Så till exempel, på Oak Ridge, är vi ledande för Quantum Science Center, men det finns totalt 17 partners som bidrar till det, och ärligt talat, om vi tog bort någon av dem, skulle vi sluta med en lucka i vår förmåga."
*****
2D-array av elektron- och kärnspinn Qubits öppnar ny gräns inom kvantvetenskap
Forskare vid Purdue University har öppnat en ny gräns inom kvantvetenskap och teknologi, vilket möjliggör tillämpningar som kärnmagnetisk resonansspektroskopi i atomskala och att läsa och skriva kvantinformation med kärnspinn i 2D-material.mAs publicerades måndagen (15 augusti) i Naturmaterial, använde forskargruppen elektronspin-qubits som sensorer i atomskala, och även för att utföra den första experimentella kontrollen av nukleära spin-qubits i ultratunn hexagonal bornitrid.
"Detta är det första verket som visar optisk initiering och koherent kontroll av kärnspinn i 2D-material", säger motsvarande författare Tongcang Li, en Purdue docent i fysik och astronomi samt elektro- och datorteknik, och medlem av Purdue Quantum Science and Engineering Institute. "Nu kan vi använda ljus för att initiera kärnspinn och med den kontrollen kan vi skriva och läsa kvantinformation med kärnspinn i 2D-material. Denna metod kan ha många olika tillämpningar inom kvantminne, kvantavkänning och kvantsimulering."
I detta arbete etablerade Li och hans team ett gränssnitt mellan fotoner och kärnspinn i ultratunna hexagonala bornitrider. Kärnspinnen kan initieras optiskt – inställd på ett känt spinn – via de omgivande elektronspinkvbitarna. När den väl har initierats kan en radiofrekvens användas för att ändra kärnspinn-qubit, i huvudsak "skriva" information, eller för att mäta förändringar i kärnspinn-qubits, eller "läsa" information. Deras metod utnyttjar tre kvävekärnor åt gången, med mer än 30 gånger längre koherenstider än elektronkvbitar vid rumstemperatur. Och 2D-materialet kan läggas direkt på ett annat material, vilket skapar en inbyggd sensor.
