AI公开课:19.05.15施尧耘-达摩院量子实验室主任《量子计算:前景与挑战》课堂笔记以及个人感悟

简介: AI公开课:19.05.15施尧耘-达摩院量子实验室主任《量子计算:前景与挑战》课堂笔记以及个人感悟

施尧耘1997年本科毕业于北京大学,后在普林斯顿大学取得计算机科学博士学位,是密西根大学安娜堡分校终身教授。在理论量子信息科学领域,施教授涉猎颇广, 研究主题包括:量子算法和复杂性,量子通信复杂性,量子系统和量子计算的 经典模拟,量子信息学和量子密码学。

       2017年6月,施博士加入阿里巴巴集团,担任高级研究员,并创建了达摩院量子实验室(Alibaba Quantum Laboratory, AQL)。目前,AQL地跨太平洋两岸,分处杭州和西雅图;其跨学科、国际化的团队正在迅速成长,并为实现量子计算的潜力而努力奋斗着。 目前担任阿里云量子技术首席科学家,他的主要工作是组建并负责阿里云量子计算实验室。施尧耘主要的工作地点是在西雅图。西雅图算是云计算的圣地了,亚马逊和微软两大科技巨头、也是两大云计算厂商坐落于此。此前曾听马化腾讲过一个故事,说腾讯为了方便从微软挖人,把腾讯的美国实验室就建在微软的对面,^~^,哈哈……

       什么是量子计算?量子计算=利用量子物理非经典性质的计算,这是有别于经典计算的最不同之处。他曾说:“我正在迫切要招量子体系结构、量子编程语言、量子编译等等。这些领域是大规模量子计算必须的,也是学界、工业界都非常稀缺人才的。所以我面临的一个挑战时如何找到理想的人才:既懂量子,又善编程。两者兼顾的凤毛麟角。所以我需要把量子科学家工程化,或者把软件工程师量子化。”


问答环节


小编正在使劲整理中……


雷鸣教授:传统的计算是看CPU,但是量子计算是不是量子位,运算能力能够提升一倍,这句话怎么理解?

施尧耘教授:从科学来看,并不是从N到N+1。其实,关键是看到背后,能够做的更多才是最好的。

雷鸣教授:量子计算,假如以后实现后,如何衡量或者什么指标判定?

施尧耘教授:其实IBM有尝试做这样的事情,Quantum 量子体积来去量化量子芯片的算力。如果精度不提高,有时候比特再多也是垃圾,还没有完全的一个定义。但是对我来说,主要看比特个数和精度。

雷鸣教授:如果定量很难得话,那么定性的话,如果位数提升,比如从10位到11位,会有怎么样的提升。如果到可用的精度,会怎么样?

施尧耘教授:对于三岁的小孩,让他了解论,这其实很难判定的。到底量子比特到底能活多久,信息保存多长,比较关键。理论上,量子计算可以无情无尽的往下去做。这也是一个很好的课题。50个比特,有2^50的参数(是一个超大的数字),这个数字,其实蛮有意思。真正到了这个个数的时候,或许可以与强大的计算机媲美。

雷鸣教授:量子计算,从产业角度分析落地应用。

施尧耘教授:我觉得在模拟量子系统方面最先落地,本身问题就是用量子语言去描述。还是有一个规模的。其实,经典计算也不差,比如人脸识别,采用量子计算可能还不如物理计算。材料方向,更有可能先需要用到量子计算。材料方面,比化学方面,量子力学依赖更大。

雷鸣教授:量子计算的期待,现在看到的通用计算,比如执行C++语言的现实场景。

施尧耘教授:不同的计算工具有各自的用途,虽然量子计算很神奇,但是物理计算也是不差的,不会迅速发展到去替代或者超越物理计算。如果用量子计算去做排序问题,会发现量子计算做排序也不一定会比物理计算更快。总的来说,量子计算和物理计算,未来的发展,各有所长。

雷鸣教授:中国的量子计算在世界的水平?

施尧耘教授:量子计算主要来源欧洲,当下,美国还是比较厉害的。就像走在最前的人,不一定是最后成功的人,对于中国来说,中国还是有希望弯道超车的。在杭州,有很多学术界华人、工业界大佬,都汇聚到了阿里巴巴。

雷鸣教授:量子领域需要什么样背景的人才?

施尧耘教授:第一个是你的专业专长,最好是量子计算或者与其相关的,比如材料科学的实验。第二是,你的潜能,科学素养和理解能力。第三个是你的激情,在阿里,我们真的都是为量子而纠缠的学子。

雷鸣教授:关于量子密码学的看法。

施尧耘教授:后量子密码学。我来阿里巴巴之前,花了四五年研究了量子密码学,其实,到现在没有多大改变。现在的密码学,比如RSA算法,这东西是安全的,没有人聪明的去破解它。量子把物理学引入到量子密码学里面。大部分量子密码学的研究主要在两个方面,一个是研究生产生随机数;另一个是量子密钥,量子粒子有一个特点是不能复制,而经典可以无穷复制。

雷鸣教授:模拟量子计算机和量子计算机的区别或者理解。

施尧耘教授:量子退火算法,比如几个量子比特,计算机可以调整几个比特之间的强度,你的输入会变成量子比特之间耦合的参数。一开始相互作用的初始状态很简单,根据退火定理,慢慢的演化过程中,最后的状态会有你的答案。在实际操作过程中,量子模拟其实并不是很高的,所以噪音有时候会使计算结果没有意义。


个评:关于今天的量子讲解,博主也就听懂了30%左右吧,说实话,听的有点懵懂。在最前沿、最新的领域,跑在最前头的人,不一定会跑到最后,后来者,弯道超车的机会更大!比如,当大家都在沙漠中,迷路的时候,任何方向都有可能是出路!所以,前行的路上,冷静思考,很重要!

备注:以上对话环节的文本编辑,为博主总结,与原文稍微有异,请以原文录音为准。时间紧迫,如有错误,欢迎网友留言指出、探讨。


相关文章
|
3月前
|
机器学习/深度学习 存储 人工智能
AI与量子计算:推动计算科学的边界
【10月更文挑战第7天】AI与量子计算的融合,标志着计算科学进入了一个全新的时代。在这个时代里,计算能力的边界被不断拓宽,科技创新的速度不断加快。我们有理由相信,在未来的日子里,AI与量子计算将继续携手并进,共同推动计算科学向着更加智能、更加高效的方向发展。让我们期待这一天的到来,共同见证计算科学的无限可能。
|
4月前
|
人工智能 测试技术 API
AI计算机视觉笔记二十 九:yolov10竹签模型,自动数竹签
本文介绍了如何在AutoDL平台上搭建YOLOv10环境并进行竹签检测与计数。首先从官网下载YOLOv10源码并创建虚拟环境,安装依赖库。接着通过官方模型测试环境是否正常工作。然后下载自定义数据集并配置`mycoco128.yaml`文件,使用`yolo detect train`命令或Python代码进行训练。最后,通过命令行或API调用测试训练结果,并展示竹签计数功能。如需转载,请注明原文出处。
|
4月前
|
JSON 人工智能 数据格式
AI计算机视觉笔记二十六:YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8,并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据,文档介绍了如何使用`labelme`标注工具进行关键点标注,并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后,通过Jupyter Notebook可视化标注结果确保准确性。最后,文档展示了如何组织数据集目录结构,并提供了训练与测试代码示例,包括配置文件`smoke.yaml`及训练脚本`train.py`,帮助读者完成自定义模型的训练与评估。
|
7天前
|
人工智能 大数据 vr&ar
把AI课堂搬进大山
把AI课堂搬进大山
37 8
|
7天前
|
人工智能 自然语言处理 搜索推荐
Open Notebook:开源 AI 笔记工具,支持多种文件格式,自动转播客和生成总结,集成搜索引擎等功能
Open Notebook 是一款开源的 AI 笔记工具,支持多格式笔记管理,并能自动将笔记转换为博客或播客,适用于学术研究、教育、企业知识管理等多个场景。
64 0
Open Notebook:开源 AI 笔记工具,支持多种文件格式,自动转播客和生成总结,集成搜索引擎等功能
|
2月前
|
人工智能 编解码 BI
LEOPARD:腾讯AI Lab西雅图实验室推出的视觉语言模型
LEOPARD是由腾讯AI Lab西雅图实验室推出的视觉语言模型,专为处理含有大量文本的多图像任务设计。该模型通过自适应高分辨率多图像编码模块和大规模多模态指令调优数据集,在多个基准测试中表现卓越,适用于自动化文档理解、教育和学术研究、商业智能和数据分析等多个应用场景。
41 2
LEOPARD:腾讯AI Lab西雅图实验室推出的视觉语言模型
|
2月前
|
人工智能 架构师 大数据
广西广电X阿里云:共同成立全媒体AI实验室!
广西广电X阿里云:共同成立全媒体AI实验室!
37 5
|
2月前
|
人工智能 算法 新制造
走进北京科技大学,通义灵码与企业高校共筑 AI 创意课堂
近日,通义灵码有幸参与到一场由伊利集团主办的 AIGC 生态创新大赛路演舞台,与高校专家、企业代表、青年学子共同探讨 AIGC 创意应用,交流企业在数智领域转型、青年开发者科技创新的思路和落地实践。
|
3月前
|
人工智能 算法 程序员
如何炼就 AI 原住民的“自我修养”丨通义灵码走进北京大学创新课堂
AI 时代的到来已成为不争的事实,当代大学生及年轻一代正成为这一新时代的原住民。10 月 11 日晚,通义灵码走进北京大学信息科学技术学院第二十六期“知存讲座”,阿里巴巴通义实验室算法专家、通义灵码算法负责人黎槟华先生受邀进行了以“AI 时代原住民的成长之路”为主题的报告。学院党委副书记贾方健主持了本次讲座。
|
4月前
|
机器学习/深度学习 人工智能 PyTorch
AI计算机视觉笔记三十二:LPRNet车牌识别
LPRNet是一种基于Pytorch的高性能、轻量级车牌识别框架,适用于中国及其他国家的车牌识别。该网络无需对字符进行预分割,采用端到端的轻量化设计,结合了squeezenet和inception的思想。其创新点在于去除了RNN,仅使用CNN与CTC Loss,并通过特定的卷积模块提取上下文信息。环境配置包括使用CPU开发板和Autodl训练环境。训练和测试过程需搭建虚拟环境并安装相关依赖,执行训练和测试脚本时可能遇到若干错误,需相应调整代码以确保正确运行。使用官方模型可获得较高的识别准确率,自行训练时建议增加训练轮数以提升效果。