Kvanttunnetus: kognitiivne arhitektuur inimese tehisintellekti ja mälusisese andmetöötluse jaoks, 1. osa
Nov 07, 2023
See artikkel keskendub inim-tehisintellektile (AI): "masinad, mis mõtlevad, mis õpivad ja loovad". Tutvustan mõningaid probleeme, mis on viinud tehisintellekti tasakaalustamata edenemiseni (rohkem edusamme tehisintellektis ja vähem progressiivset intelligentsust), ning tutvustan kvantkognitsiooni elujõulise kognitiivse arhitektuurina inimese tehisintellekti ja areneva riistvara jaoks.
Viimastel aastatel on tehisintellekti tehnoloogia kiire arenguga üha enam inimesi hakanud tähelepanu pöörama tehisintellekti ja mälu vahelisele seosele. Nende kahe suhe on lahutamatu.
Tehisintellekt võib simuleerida inimese mäluprotsessi, võimaldades masinatel teavet meeles pidada ning salvestada ja hankida seda nagu inimesed. Selles mõttes on tehisintellekti tehnoloogia inimese mäluvõimet tunduvalt laiendanud. Näiteks võib tehisintellekt meid aidata kõne- ja pildituvastamisel, aidates seeläbi teavet paremini meelde jätta ja mõista.
Teisest küljest võib inimese mäluvõime anda olulist inspiratsiooni ka tehisintellekti arendamiseks. Inimese mäluvõime aitab meil andmeid paremini hallata ja analüüsida ning avastada andmete vahel seoseid ja mustreid. Neid võimeid saab muuta ka algoritmideks ja programmideks, mis aitavad arvutitel andmeid paremini töödelda ja kasutada. Seetõttu on inimese mäluvõime tehisintellekti arendamiseks ülioluline.
Lühidalt öeldes tugevdab tehisintellekti ja mälu suhe üksteist. Need täiendavad üksteist ning edendavad ühiselt tehnoloogilist ja sotsiaalset progressi. Vaadakem tehisintellekti ja -mälu arengule vastu positiivselt, optimistliku suhtumisega ning uskugem, et need võivad tuua parema tuleviku. On näha, et me peame oma mälu parandama ja Cistanche deserticola aitab meil oluliselt parandada mälu, sest Cistanche deserticola on traditsiooniline Hiina ravimmaterjal, millel on palju ainulaadseid toimeid, millest üks on mälu parandamine. Hakkliha tõhusus tuleneb paljudest selles sisalduvatest toimeainetest, sealhulgas hapetest, polüsahhariididest, flavonoididest jne. Need koostisosad võivad aju tervist mitmel viisil edendada.
Klõpsake nuppu Tea 10 viisi mälu parandamiseks
Enamik kognitiivseid arhitektuure, st tehisintellekti (AI) uuringutes tehtavate inimeste mõtlemise mudeleid, ei püüa tingimata modelleerida inimese arutlusprotsessi. Nad eeldavad, et inimesed on ratsionaalid, st kasulikkuse maksimeerijad, kes järgivad alati Boole'i loogikat, mis tähendab, et sündmusi saab alati kombineerida (näiteks loogilise ühenduse kaudu) mis tahes järjekorras. Nad püüavad leida inimese ajus aritmeetilise ühiku (ALU) ekvivalenti ja segada andmeid, et muuta see sõltumatuks ja identselt jaotatud (IID). Järgmine jaotis näitab rohkem üksikasju.
KLASSIKALISE TÕENÄOSUSE PÕHJENDAMISEGA SEOTUD PROBLEEMID
Klassikaline tõenäosusteooria ja laialdaselt aktsepteeritud Kolmogorovi aksioomid järgivad Boole'i loogikat. See tähendab, et sündmuste loogika on kommutatiivne ja sündmused on alati ühilduvad. See tähendab, et A ja B on samad, mis B ja A ning A ja B või B ja A samaaegsed mõõtmised ei põhjusta häireid.
See loogika töötab hästi ühilduvate sündmuste puhul. Näiteks kui mõõta esmalt oma pikkust ja seejärel kaalu, esmalt oma kaalu ja seejärel pikkust või samaaegselt pikkuse ja kaalu mõõtmine annab kõik sama tulemuse.
Kuid reaalsus on see, et sündmused võivad olla kokkusobimatud, see tähendab, et hindamine sõltub järjekorrast ja võib esineda häireid. Näiteks kaaluge küsimust A: "Kas te lähete Floridasse?" ja küsimus B: "Kas sa kuulsid, et Floridasse on torm?" Esmalt küsimusele A ja seejärel küsimusele B vastuse küsimine või vastuse küsimine küsimusele B ja seejärel küsimusele A või küsimuste A ja B samaaegne esitamine ja seejärel vastuse küsimine võib anda erinevaid vastuseid.
Lisaks võib Boole'i sidesõna pidada esinduslikumaks kui üks selle koostisosadest ja see muudab inimeste mõttekäike. Siin on lihtsustatud näide.
Oletame, et Bob on tuvastatud kui kahtlustatav nullpäeva haavatavuse ärakasutamises. Samuti oletagem, et kuulsa häkkimisgrupi H liikmed on sellise haavatavuse ärakasutamist sageli täheldanud. Milline järgmistest stsenaariumidest tundub tõenäolisem?
1. Bob on osav häkker.
2. Bob on osav häkker ja H-rühma liige.
Intuitiivselt öeldes võiks stsenaariumi 2 pidada tõenäolisemaks. Kuid Boole'i loogika ja klassikalise tõenäosusteooria korral ei saa kahe sündmuse koos juhtumise tõenäosus olla suurem kui ühe sündmuse tõenäosus. Peame stsenaariumi 2 tõenäolisemaks kui stsenaariumi 1, kuna Tversky ja Kahneman on tuvastanud sidesõna, akognitiivse kallutatuse1, mis selgitab, et inimesed kalduvad tavaliselt rohkem uskuma üksikasjalikku, täpsete üksikasjadega lugu kui lühikest kompaktset lugu. Andmepüügiründajad on sellest kallutatusest palju kasu saanud, pakkudes esmalt oma sihtmärkidele täpset ja üksikasjalikku kirjeldust sündmusest, mis nõuab viivitamatut tähelepanu, ning seejärel paludes neil lingil klõpsata.
TEADLIKE ÕPPIMINE
Goyal ja Bengio2 väidavad, et inimese tehisintellekti saavutamiseks peame liikuma süsteemi 1/kaudse/teadvustamata töötlemise juurest süsteemi 2/eksplitsiitse/teadliku töötlemise juurde. Süsteem 1 toimib sarnaselt tuttavas naabruskonnas sõitmisega, kus võime olla kiired ja teadvuseta. Süsteemi 2 töö on sarnane sellega, kui sõidame võõras naabruskonnas ning peame olema aeglased ja teadlikud ning võib-olla vajame ka konsultatsiooni.
Goyali ja Bengio ettepanek nõuab "teadlikku järjestikust töötlemist" ja "tähelepanu kui järjestikuse valiku valimist, milliseid arvutusi milliste koguste puhul teha". Siiski, nagu lühidalt arutatud, on klassikalisel tõenäosusel järjestikuse töötlemisega peamised piirangud. See eeldab, et kõik sündmused on ühilduvad ja ei arvesta järjestuse mõju.
Näiteks selleks, et vältida ülepaigutamist (pöörates liiga palju tähelepanu konkreetsele andmestikule, mille kohta seda õpetatakse), segab masinõppekogukond andmeid, et muuta need IID-ks. Kuid tegelikkus on see, et andmed ei jõua meile IID.2-na
"Loodus ei sega andmeid ja me ei peakski. Andmete segamisel hävitame kasuliku teabe nende jaotusmuutuste kohta, mis on omased andmetele, mida me kogume ja sisaldavad teavet põhjusliku struktuuri kohta."
KVANTTÕENÄOSUS PÕHJENDAMISEKS JA JÄRELDAMISEKS
Soovitan kvantkognitsiooni3 elujõulise alternatiivina kognitiivsetele arhitektuuridele, mis kasutavad klassikalist arutluskäiku ja järeldusi. Kvanttunnetus erineb kvanttunnetusest. See ei järgne eeldusele, et ajus toimub midagi kvantitaolist, vaid see võtab inspiratsiooni kvantteooria matemaatilisest struktuurist ja selle dünaamilistest põhimõtetest. Näiteks kasutab see kvanttõenäosust – tunnetuse modelleerimist, kasutades kvantmehaanikast pärit tõenäosusteooriat, ilma igasuguse füüsikata.
Järgmine jaotis näitab kvanttõenäosuse näidet, mis muudab selle sobivaks inimese tehisintellekti tarkvara ja riistvara jaoks.
ÜHilduvuse jäädvustamine
Kvanttõenäosus, erinevalt klassikalisest tõenäosusest, eeldab, et kõik küsimused on ühilduvad ja võib tabada kokkusobimatuid. Kvanttõenäosus kasutab vektorruumi ja alamruumi sarnaselt klassikalise tõenäosuse näidisruumi ja sündmuse (st valimiruumi alamhulga) kasutamisega. Vektorruum sisaldab kõiki võimalikke küsimuste tulemusi. Küsimuse tulemust kujutav vektor hõlmab 1D alamruumi, mida nimetatakse kiireks, ja inimese uskumuste kogum küsimuse kohta on esindatud ühikupikkuse vektoriga, mida nimetatakse olekuvektoriks. Kvanttõenäosus kasutab ka kaardistamisprotsessi, mida nimetatakse projekteerimiseks, ja sündmusele määratud tõenäosus võrdub projektsiooni ruudu pikkusega. Küsimuste tulemuste konjunktsiooni arvutamiseks kasutab kvanttõenäosus järjestikust projektsiooni. See võimaldab eristada tellimusi, st projektil A ja seejärel projektil B on erinev tulemus kui projektil B ja seejärel projektil A.
Lihtsustatud näite uuesti läbivaatamine
Siin vaatame uuesti oma lihtsustatud näidet, et illustreerida, kuidas kvanttõenäosus, kasutades vektorruumi, võib illustreerida konjunktsiooni ekslikkust inimlikul mõtlemisel. Joonisel 1 tähistavad sinised nooled B sõna "Bob on osav häkker" ja selle eitust ~/B-ga. Sarnaselt tähistavad oranžid nooled "rühma H liiget" koos H-ga ja selle eitus ~/H. S, olekuvektoriga, esindab meie uskumusseisundit Bobi iseloomustuse kohta ja seda tähistab must nool. Joonisel 1 on projektsiooniteed näidatud roheliste ja punaste punktiirjoontega.
Tõenäosused arvutatakse olekuvektori projektsiooni vastavale teljele ruudus pikkusena ja näidatakse rohelise ja punase ruudu pikkusega. Projektsioon B-kiirele on näidatud rohelise punktiirjoonega ja (B) tõenäosus võrdub selle riba ruudu pikkusega, mis on näidatud rohelise ruudu pikkusega. (B ja H) tõenäosuse määramiseks peame järgima kahte sammu, mida näitavad kaks punast punktiirjoont. Esiteks projekteerime olekuvektori H-kiirele. Teiseks projitseerime selle eelmise projektsiooni B-kiirele. Seejärel on (B ja H) tõenäosus viimase projektsiooni ruudus pikkus, mis on näidatud punase ruudu pikkusega.
Joonisel 1 on (B ja H) järjestikune tõenäosus suurem kui üksiksündmuse tõenäosus, st (B) tõenäosus, mis vastab punase ruudu pikkusele, mis on pikem kui rohelise ruudu pikkus. Selle põhjuseks on konjunktsiooniviga, mis viis stsenaariumi 2 tajumiseni tõenäolisemana kui 1. stsenaariumina. Võime seostada (B ja H) kokkusobimatuse, mis põhjustab nende interferentsi, esituslikkuse heuristikaga (mentaalne otsetee); konjunktsioon näib esinduslikum kui üks selle koostisosadest ja H liikmeks olemist võib olla lihtsam ette kujutada või taastada kui Bobi kui kõikehõlmavat kategooriat. Selle näite matemaatilise selgituse saamiseks vaadake lisamaterjale, mis on saadaval aadressil 10.1109/MC.2023.3242056.
Kvanttõenäosuse võime tabada kokkusobimatust võib samuti mängida olulist rolli inimese AII põhjuslike struktuuride väljatöötamisel, eriti kui käsitleme kokkusobimatuid sündmusi, koondades keerulisi olukordi erinevatest allikatest pärit tohutute andmetega. Sellistes olukordades vajame põhjuslikke struktuurmudeleid, et paljastada andmete aluseks olevad mehhanismid versus elementaarne põhjuslik induktsioon, st ühe põhjuse-tagajärje seose modelleerimine, kasutades klassikalist tõenäosust. Sellistes keerulistes olukordades võib kvanttõenäosus anda võimaluse vormistada idee struktuurselt lokaalsest põhjuslikust arutlusest, töötades kokkusobimatute sündmustega, kleepides kokku näidisruumid ja moodustades vektorruumi.
Oletame näiteks, et peame tegema ennustava otsuse, st leidma põhjuse või P (mõju|põhjus) tingimusliku tõenäosuse suure andmehulga keerulises probleemis, kus andmete saabumise järjekord on oluline. Kvanttõenäosus võimaldab jagada probleemi väiksemateks probleemideks, vastates sellistele päringutele nagu:
P (tagajärg|põhjus1, alternatiivne põhjus puudub),P (tagajärje|põhjus1, põhjus2),P (tagajärg|põhjus2, põhjus1) jne.
KVANTTÕENÄOSUSE FORIN-MÄLU ARVUTUS
Kvanttõenäosus kasutab vektorruumi, mis sarnaneb arvutusraamistiku vektorsümboliarhitektuuridega (VSA), mida tuntakse ka kui hüperdimensioonilist andmetöötlust, mis on areneva riistvara, näiteks mälupõhise andmetöötluse (IMC) kesksel kohal. Tavapärases von Neumanni arhitektuuris on mälu ja protsessor eraldi ning arvutamiseks on vaja andmeid edasi-tagasi liigutada. Kuid IMC-arhitektuuriga, mis kasutab "vektormaatrikskorrutamist",4 sulatatakse mälu ja protsessor ning arvutused tehakse seal, kus andmed salvestatakse minimaalse andmete liikumisega. See muudab IMC erinevalt tavapärasest von Neumanni arhitektuurist sarnaseks inimese ajule, kus mälu ja arvutused on kolokeeritud. ALU ekvivalendi leidmine inimese ajus on ebareaalne ootus.
Kvanttõenäosust ja IMC-d võib pidada paljulubavateks arvutusarhitektuurideks inimese AII jaoks, kuna mõlemad kasutavad VSA-sid. Seega on mõistlik kaaluda kvanttõenäosust kui IMC kognitiivset arhitektuuri.
Siin on näide. Töömälu inimajus on mehhanism praeguse ülesandega seotud teabe ajutiseks salvestamiseks. See on oluline kognitiivsete võimete jaoks, nagu tähelepanu, arutluskäik ja õppimine; seega rakendab enamik kognitiivseid arhitektuure seda mingil kujul. Kvanttunnetusega saame kasutada kõrgmõõtmelisi vektoreid töömälu funktsiooni esindamiseks ja käimasolevas arvutuses asjakohaste andmete käsitlemiseks. Kvanttõenäosuse olekuvektorit võib pidada töömälu olekuks, mis esindab inimeste uskumusi tunnusmustrite kohta ja toimib praeguse maailma mudeli, süsteemi oleku ja/või praeguste eesmärkide vahemäluna. Kvanttõenäosus loob IMC-le tugeva matemaatilise aluse ja korraldab " toimingud hüperdimensiooniliste mustritega, mida saaks kasutada andmetöötluseks." Vaadeldes mustreid vektoritena, saame "kasutada tohutul hulgal teadmisi vektorite, maatriksite, lineaaralgebra ja muu kohta. See on tõepoolest olnud kunstliku närvivõrgu uurimise traditsioon, kuid veel on vaja uurida rikkalikke kõrgmõõtmelise esituse valdkondi." Agendid, kes seda alati maksimeerivad, kasutades st r uc tu rest, mis järgivad alati Booleanlogicut, on olemasolevate AI-arvutusarhitektuuride jaoks olulised. Kuid ma väidan, et me peame õppima Einsteini relatiivsusteooriast, Gödeli mittetäielikkuse teoreemist ja Simoni piiratud ratsionaalsusteooriast, kuna need kõik heidavad valgust absoluutide kokkuvarisemisele.
Selles artiklis tutvustasin mõningaid olemasolevate AI-süsteemide arvutuslikke piiranguid. Selgitasin, et erinevalt klassikalise tõenäosuse aksioomidest ei ole sündmuste loogika tingimata Boole'i põhimõte. Kui kaks sündmust A ja B ei ühildu, siis õppimine; seega rakendab enamik kognitiivseid arhitektuure seda mingil kujul. Kvanttunnetusega saame kasutada kõrgmõõtmelisi vektoreid töömälu funktsiooni esindamiseks ja käimasolevas arvutuses asjakohaste andmete käsitlemiseks. Kvanttõenäosuse olekuvektorit võib pidada töömälu olekuks, mis esindab inimeste uskumusi tunnusmustrite kohta ja toimib praeguse maailma mudeli, süsteemi oleku ja/või praeguste eesmärkide vahemäluna.
Kvanttõenäosus loob tugeva matemaatilise aluse IMC-le ja korraldab "operatsioone hüperdimensiooniliste mustritega, mida saaks kasutada arvutustes". Vaadates mustreid vektoritena, saame seda teha
"Kasutage laiaulatuslikku teadmiste kogumit vektorite, maatriksite, lineaaralgebra ja muu kohta. See on tõepoolest olnud kunstliku närvivõrgu uurimise traditsioon, kuid kõrgmõõtmelise esituse rikkalikke valdkondi tuleb veel uurida."
Agendid, kes alati maksimeerivad seda ja kasutavad alati Booleanlogicut järgivat st r uc tu, on olemasoleva tehisintellekti jaoks olulised, sündmuste A ja B seost ei saa defineerida, kuna nad ei pendelda, vastupidiselt Booleanlogicule, kus sündmused liiguvad alati edasi. .
Pakkusin soovitusi kvanttõenäosuse kohta ja selgitasin, kuidas arvestada kvantseisundite mõõtmeid projektsioonioperaatorite mittetõvelise struktuuriga. Kvantseisundite ja klassikaliste tõenäosuslike olekute võrdlemiseks selgitasin, kuidas projekteerimist saab kasutada klassikalise tõenäosusega sarnaste katsete kirjeldamiseks. Selgitasin, kuidas põhjuslikud struktuurimudelid (versus elementaarne põhjuslikkus) võivad aidata järjestikuse teadliku töötlemise jäädvustamiseks. Samuti selgitati, kuidas vektorruumi kvanttõenäosuse kasutamine muudab selle IMC arhitektuuri jaoks sobivaks kognitiivseks arhitektuuriks.
Inimese AII saavutamine ja "masinate, mis arvavad, et õpivad ja loovad"6 arendamine nõuab arvutusmudeleid, mis võivad samamoodi toimida. Kuid inimmõtlemine, õppimine ja loomine on sageli tugevalt kontekstist ja järjekorrast sõltuvad ning see tundub klassikaliste tõenäosuse ja kasulikkuse maksimeerimise mudelite jaoks segadusse ajav.
TUNNUSTUS
See materjal põhineb tööl, mida toetab National ScienceFoundation auhinna 2041788 all. Lihtsustatud eksami ja selle uuesti läbivaatamise lühike matemaatiline selgitus on saadaval lisamaterjalides, mis on saadaval aadressil 10.1109/MC.2023.3242056.
VIITED
1. A. Tversky ja D. Kahneman, "Laienduv versus intuitiivne arutluskäik: sidesõna vale ebatõenäolisuse otsus," Psychol. Rev., kd. 90, nr. 4, lk 293–315, oktoober 1983, doi: 10.1037/0033-295X.90.4.293.
2. A. Goyal ja Y. Bengio, "Induktiivsed eelarvamused kõrgema taseme tunnetuse sügavaks õppimiseks", Proc. Roy. Soc. A, vol. 478, nr. 2266, oktoober 2022, art. ei. 20210068, doi: 10.1098/rspa.2021.0068.
3. JR Busemeyer ja P. Bruza, Quantum Models of Cognition and Decision. Cambridge, UK: Cambridge Univ.Press, 2014.
4. S. Spetalnick ja A. Raychowdhury "Mälus arvutamise praktiline disainiruumi analüüs SRAM-iga", IEEE Trans. Vooluahelate süsteem. Mina, Reg. Papers, kd. 69, nr. 4, lk 1466–1479, aprill 2022, doi: 10.1109/TCSI.2021.3138057.
5. P. Kanerva, "Hüperdimensionaalne andmetöötlus: sissejuhatus kõrgmõõtmeliste juhuslike vektoritega hajutatud esituses arvutamisse", Cogn. Comput., vol. 1, lk 139–159, juuni 2009, doi: 10,1007/s12559-009-9009-8.
6. H. Simon ja A. Newell, "Heuristiliste probleemide lahendamine: järgmine arenenud inoperatsioonide uurimine", Oper. Res., vol. 6, ei. 1, lk 1–10, jaan./veebr. 1958. [Võrgus]. Saadaval:https://www.jstor.org/stable/167397
For more information:1950477648nn@gmail.com
