栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > 资讯 > 高等教育 > 考研政策

西南民族大学教授王鹏:用量子力学原理构造人工智能新算法

西南民族大学教授王鹏:用量子力学原理构造人工智能新算法

编者按:本文作者在高校大数据教育教学领域拥有相对成熟的教学经验、独到的教育观点及创新的教学方法。作为全国高校人工智能与大数据创新联盟常务理事,积极推进人工智能、大数据教育教学工作,本文内容根据作者在"赋能大数据教育专题"分享的内容整理而成,旨在为2020年高校人工智能专业、数据科学与大数据技术专业、大数据管理与应用专业、大数据技术与应用专业赋能。西南民族大学教授 王鹏

近年来,云计算、大数据、智能计算等新概念层出不穷。多尺度量子谐振子优化算法属于人工智能领域。每一项新技术的出现,都与当前技术和产业情况相关,当云计算最早出现时,也是由于网络及计算机技术发展到一定阶段才提出的。每段新技术的出现,并不是凭空而来的,与生产力和生产关系相适应的。经历了云计算、大数据到人工智能的火热,这些技术均不是偶然出现的新技术,新技术的出现均与当前的技术发展趋势相关联的。人工智能

人工智能火爆的标志是2016年阿尔法狗战胜了围棋高手李世石后,掀起了全世界研究人工智能的热潮,但人工智能的火爆并不是单纯由某一事件而引起的,是与技术发展到一定阶段有关系的。当技术发展到一定阶段后,人工智能的火热便是必然出现的一个结果。包括云计算、大数据技术的积累都为人工智能的发展提供了很好的基础。

多尺度量子谐振子优化算法是我们团队组经过多年研究提出来的。

一、人工智能的历史

人工智能的发展经历了很多的起伏,最早的萌芽是从1950年"图灵测试"的提出开始。到了1956年,人工智能界召开了达特茅斯会议,会议进行了为期两个月的时间,提出了人工智能的概念。这次会议的召集者是麦卡锡,麦卡锡是一位非常著名的人工智能学者,被称为"人工智能之父"。也被称为"云计算之父",他早在1965年左右便提出了"计算是可以作为资源提供给用户使用"的概念,后来,麦卡锡在《人工智能预言历史》一书明确采用了大数据的概念,他是非常有远见的,很早便对云计算、大数据技术提出了极具远见的预言。

人工智能的发展并不是一帆风顺的,在1956年达特茅斯会议之后,人工智能的发展经历了高潮,也有低落。2016年阿尔法狗战胜人类最强的围棋棋手,将深度学习的人工智能技术重新推向了风口,使人工智能成为产业界的下一个重要风口。至此,云计算、大数据、人工智能相互融合,成为未来几十年产业发展的重要领域。

人工智能的提出涉及到一个很重要的基础。当前,计算技术的发展与大数据技术的发展是密不可分的,阿尔法狗能战胜人类与其身后具有强大的并行计算机是有关系的。同时,大数据的出现使我们储备了大量知识,计算机能力及大数据的发展为人工智能再一次的繁荣提供了很好的基础。因此,生产力必须适应生产关系,人工智能的火热并不是偶然的,是生产力发展到一定阶段后所必然产生的,而阿尔法狗仅仅是触发产业发展的一个契机。

二、量子力学与人工智能

量子力学是在二十世纪初,由一群世界上最聪明的科学家的共同努力完成的,我们一直相信,有这些能构建起来的量子体系,定会为计算机科学起到很好的启发作用,量子力学终结了我们认为的世界是确定性的观点,从而使长久以来确定性的世界观完全崩塌。

通常,很多人认为量子力学与自己无关。站在历史的角度上看,很多计算机科学家均受到量子力学的影响,目前的计算机之父冯·诺尹曼写出了《量子力学的教学基础》,1931年图灵认真研读了这本书,而且早在1929年图灵还着迷于天文学家爱丁顿所著的《物理世界的自然》一书,爱丁顿也认为"大脑也是由原子、电子组成的,量子物理或许能为人类意识、思维提供产生的机会和空间。"可以看出,这些科学家,尤其是计算机科学家。很早便认识到量子力学可能对自然科学提供帮助。

量子力学终结了确定性的世界观,传统的物理学认为,电子是按一定的轨道来运行的。按照电动力学的原理,如果电子按一定的轨道运行,将会在切线方向上辐射出光子,由于电子能量的降低电子将迅速坠落到原子核之中。只有通过量子力学将电子以概率的形式进行解释,电子在核外是以电子云的形式存在的,而不是通常认为的轨道形式,这是量子力学对物质世界的新认识,认为物质世界是由概率所支配的。因此,在设计新算法时充分利用这一观点,包括量子波函数的观点来构造新的算法。

人工智能中的智能算法如遗传算法、粒子群算法、蚁群算法、模拟退火算法、膜计算等,很多算法都是在向自然界学习,但很多算法都存在一定弊端,一方面很多算法没有完整的数学描述,另一方面不少优化算法都是学习自然界的表面运动现象。基于量子理论的算法为我们提供了一个学习自然界本质规律的方法,通过这种方法构造的算法有可能真正反映自然界本质的运行规律。因此,我们一直以来坚持使用量子力学的基本原理构造新的算法,通过利用量子力学的数学框架为构造新的算法提供了充分的理论支持。

(一)量子谐振子算法提出已有七年时间

2010年,提出了该算法的雏形,当时称之为模拟谐振子算法(SHOA)。从2010年一直持续到2016年。2013年,将MQHOA算法的基本物理模型完整提出,将算法正式定名为多尺度量子谐振子算法(简称为MQHOA)。随后,在该算法的理论和应用方面做了一些工作。特别是在2016年,将算法进行很大的改进,使算法能快速处理超高维的函数优化问题,对一些复杂高维函数进行优化处理,目前正在向上万维的复杂函数进行优化。

量子谐振子算法有一个很重要的等效关系,将优化问题的目标函数转变为求薛定谔方程中约束态下的基态波函数,具体如下图所示:图1-基态波函数

但不幸的是,薛定谔方程的求解很困难,因此,采用了近似逼近,如下图所示,由此,任意目标函数在极值附近的泰勒二级近似就是谐振子势,对复杂目标函数进行逼近,用谐振子式代入薛定谔方程中。

图2-薛定谔方程

算法依据波函数图进行构造,在高能态时要经过多个中间能级(亚稳态)才能达到量最低态(基态),其中,亚稳态对应于目标函数的局部最优解。

(二)MQHOA算法的基本流程

整个流程包含三个过程:能级稳定过程、能级下降过程、尺度下降过程。算法的整个运行过程便是在k个采样的驱动下,不断对新的采样进行比对。

图3-算法收敛过程

上图描述了算法的整个收敛过程。算法分为横向收敛和纵向收敛,横向是高能态逐步向基态收敛,一旦完成到基态的收敛过程,便将尺度减小一倍,进入更小尺度的迭代,直到最后的尺度满足预先设定的大小,其中存在多尺度的迭代。

(三)MQHOA算法的优点

1.其他很多的优化算法需不断调整参数,MQHOA仅有一个需要主观控制的参数,便于我们调整算法的性能。

2.MQHOA算法具有良好的高维优化能力,目前已实现对一些复杂函数进行一千维以上的优化,用基本算法便可完成。

3.整个算法的迭代过程很简单,整个迭代过程就是不断进行采样,取代差解的过程。

MQHOA算法的整个流程比较容易理解但物理含义比较深刻,不易理解。对于从事应用工作的同事而言,只需掌握其流程即可。

MQHOA算法还定义为波函数的概念,波函数便是将k个采样区域进行叠加。波函数有重要的物理含义:在量子力学中,是粒子出现的概率;在算法中,是最优解当前的分布。波函数会随着迭代过程发生变化,直到波函数收敛到最优解附近。波函数在不同尺度、不同能级迭代时有着非常明显的逐步收敛过程,刚开始是在局部最优区域收敛,最终会在最优解附近。波函数在算法中的概念与量子力学中的概念是很相似的,都在描述物质出现的概率。整个算法的目标是将波函数的概率分布逐步向全局的最优解概率集中,以最大的概率采样到最优解。

在研究过程中,发现了一个新的规律:算法的测不准原理。这个原理是在1927年由海森堡提出来的,测不准原理 为在物理世界一个粒子的位置和速度是不能同时被测定的,量子力学中有一个定理:如果两个物理量所对应的算符的对易式不等于零,其所定义的物理量便无法被同时精准测定。我们采用这一定理证明了算法的测不准关系。

优化算法的测不准关系具体是指,优化算法的全局搜索能力与局部搜索能力是不能被同时获得的。模仿量子力学的算符方法,定义为全局搜索算符和局部搜索算符,全局搜索的含义便是发现所有的全局最优解,为获得所有的全局最优解,在数学上的操作是对目标函数进行求导,所以我们将全局搜索算符定义为对目标函数的求导。局部搜索是精确获得最优解的位置,将自变量的位置作为算符,按照量子力学中的定义式作用在函数上,最终证明了全局搜索和局部搜索是不能同时获得的。优化算法的测不准原理反映了算法的多尺度问题,很多智能优化算法均不同程度地使用了测不准原理,我们不能指望只用一个尺度让一个算法同时获得良好的全局搜索和局部搜索性能,这也为研究智能优化算法提供了非常有力的理论工具。

人工智能要解决的一个工作便是如何在一个巨大的解空间进行搜索,因此需具有极强的搜索能力。所有的人工智能算法都在试图用最快的速度完成对解空间的快速搜索,当我们面对指数级巨大的解空间时,需要利用算法的隐含并行性。算法的隐含并行性指的并不是在并行计算机上运行的能力,目前对这方面的研究比较少。1976年图灵奖获得者Robin认为"应该放弃的只是以完全确定的方式获得结果,这种结果可能出错,然而出错的可能性微乎其微,也就是说可以把概率算法用到这类问题中来"。因此产生了一个初步的认识,即不确定性造就了隐含并行性。

大多数的人工智能算法采用了概率方法,包括MQHOA算法、波函数。正是由于我们降低了对求解精度要求,使我们获得了快速的搜索能力。

目前的MQHOA算法已成功地在很多领域得到了较好的应用,包括函数优化、数据挖掘等领域,算法是具有一定的生命力的。但同时,算法中还存在改进的空间,希望其具有更好的并行性,解决更复杂的优化问题。

关于云计算和大数据的教学,希望将并行计算技术作为一门基础课程。对理解云计算和大数据的体系结构具有很大的好处,对培养学生在分布式环境下的思维能力也有着很好的帮助。

王鹏:教授,博士生导师,计算机科学博士后、金融工程博士后,四川省学术和技术带头人后备人选,我国广东省高教学会高职高专云计算与大数据教学专业委员会理事长,全国高校人工智能与大数据创新联盟常务理事、中国电子学会云计算专业委员会委员,中国计算机学会高性能计算专业委员会委员,四川省计算机学会理事,四川省计算机学会高性能计算专业委员会副主任委员,四川省政务云建设专家咨询组成员,07、08年度成都市"一专多能"优秀青年教师,成都市软件行业协会理事,成都市科技攻关计划项目评审专家。曾任中国电子科技集团38所无人机地面数据系统主持设计师,作为中组部"西部之光"访问学者赴中国科学院高能物理研究所从事云计算大数据处理研究,挂职汕尾职业技术学院副院长。迈普通信技术股份有限公司云计算首席专家,《成都信息工程学院学报》编委,汕尾市科技顾问团首席顾问,广东工业大学兼职研究生导师,武汉职业技术学院、广州科技贸易职业学院兼职教授,2012年成都市物联网产业领军人物。

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/news/1588233.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号