Jahresrückblick: 6 große Durchbrüche in der Informatik im Jahr 2022! Knackende Quantenverschlüsselung, schnellste Matrixmultiplikation usw. stehen auf der Liste

Im Jahr 2022 wird es im Computerbereich viele epochale Ereignisse geben.

In diesem Jahr haben Informatiker das Geheimnis der perfekten Übertragung gelüftet, Transformer hat rasante Fortschritte gemacht und mit Hilfe von KI wurden jahrzehntealte Algorithmen erheblich verbessert ...

Große Computerereignisse im Jahr 2022

Heutzutage wird das Spektrum der Probleme, die Informatiker lösen können, immer größer, sodass ihre Arbeit immer interdisziplinärer wird.

In diesem Jahr haben viele Erfolge auf dem Gebiet der Informatik auch anderen Wissenschaftlern und Mathematikern geholfen.

Zum Beispiel kryptografische Probleme, die die Sicherheit des gesamten Internets betreffen.

Hinter der Kryptographie verbergen sich oft komplexe mathematische Probleme. Es gab einmal ein sehr vielversprechendes neues kryptografisches Schema, das als ausreichend galt, um Angriffen von Quantencomputern zu widerstehen. Dieses Schema wurde jedoch durch das mathematische Problem „des Produkts zweier elliptischer Kurven und seiner Beziehung zur abelschen Oberfläche“ zunichte gemacht.

Ein anderer Satz mathematischer Beziehungen in Form von Einwegfunktionen wird Kryptographen sagen, ob sie über einen wirklich sicheren Code verfügen.

Die Informatik, insbesondere das Quantencomputing, weist ebenfalls erhebliche Überschneidungen mit der Physik auf.

Ein wichtiges Ereignis in der theoretischen Informatik in diesem Jahr ist der Beweis der NLTS-Vermutung durch Wissenschaftler.

Diese Vermutung sagt uns, dass die geisterhafte Quantenverschränkung zwischen Teilchen nicht so subtil ist, wie sich Physiker einst vorgestellt haben.

Dies beeinflusst nicht nur unser Verständnis der physischen Welt, sondern auch die unzähligen kryptografischen Möglichkeiten, die durch die Verschränkung entstehen.

Darüber hinaus war künstliche Intelligenz schon immer eine Ergänzung zur Biologie – tatsächlich lässt sich der Bereich der Biologie vom menschlichen Gehirn inspirieren, das möglicherweise der ultimative Computer ist.

Seit langem hoffen Informatiker und Neurowissenschaftler, die Funktionsweise des Gehirns zu verstehen und eine gehirnähnliche künstliche Intelligenz zu erschaffen, doch das schien immer ein Hirngespinst zu sein.

Aber das Unglaubliche ist, dass das neuronale Netzwerk Transformer Informationen wie ein Gehirn zu verarbeiten scheint. Jedes Mal, wenn wir mehr über die Funktionsweise von Transformers verstehen, verstehen wir mehr über das Gehirn und umgekehrt.

Vielleicht ist Transformer deshalb so gut in der Sprachverarbeitung und Bildklassifizierung.

Auch KI kann uns helfen, bessere KI zu schaffen, und kann Forschern helfen, neuronale Netze kostengünstiger und schneller zu trainieren.

Top1: Die Antwort auf die Quantenverschränkung

Quantenverschränkung ist eine Eigenschaft, die entfernte Teilchen eng miteinander verbindet. Es ist sicher, dass ein vollständig verschränktes System nicht vollständig beschrieben werden kann.

Physiker glauben jedoch, dass Systeme, die einer vollständigen Verschränkung nahe kommen, einfacher zu beschreiben sind. Aber Informatiker glauben, dass diese Systeme auch nicht berechnet werden können, und das ist die Quanten-PCP-Vermutung (Probabilistically Checkable Proof).

Um die Quanten-PCP-Theorie zu beweisen, schlugen Wissenschaftler eine einfachere Hypothese namens „Non-Low Energy Trivial State“ (NLTS) vor.

Im Juni dieses Jahres gelang drei Informatikern der Harvard University, des University College London und der University of California, Berkeley, in einer Arbeit der erste Beweis der NLTS-Vermutung.

... Extreme Bedingungen wie niedrige Temperaturen und verschränkte Partikelsysteme sind nach wie vor schwierig zu analysieren und die Grundzustandsenergie zu berechnen.

Physiker sind überrascht, weil dies bedeutet, dass die Verschränkung nicht unbedingt so fragil ist, wie sie dachten, während Informatiker erfreut sind, dem Beweis eines Theorems namens Quanten-PCP (Probabilistic Detectable Proof) einen Schritt vorwärts zu sein.

Im Oktober dieses Jahres gelang es Forschern, drei Teilchen über eine beträchtliche Distanz miteinander zu verschränken und so die Möglichkeit der Quantenverschlüsselung zu stärken.

Top2: Die Art und Weise verändern, wie KI Informationen versteht

In den letzten fünf Jahren hat Transformer die Art und Weise, wie KI Informationen verarbeitet, revolutioniert.

Im Jahr 2017 erschien Transformer erstmals in einer Veröffentlichung.

Menschen entwickeln Transformer, um Sprache zu verstehen und zu erzeugen. Es kann jedes Element in den Eingabedaten in Echtzeit verarbeiten und ihnen so einen „Gesamtüberblick“ ermöglichen.

Im Vergleich zu anderen Sprachnetzwerken, die einen fragmentierten Ansatz verfolgen, verbessert diese „Gesamtansicht“ die Geschwindigkeit und Genauigkeit von Transformer erheblich.

Das macht es auch unglaublich vielseitig. Auch andere KI-Forscher wenden Transformer auf ihre eigenen Fachgebiete an.

Sie haben herausgefunden, dass die Anwendung derselben Prinzipien verwendet werden kann, um Tools für die Bildklassifizierung und die gleichzeitige Verarbeitung mehrerer Datentypen zu aktualisieren.

Papieradresse: https://arxiv.org/abs/2010.11929

Transformers hat sich schnell zu einem führenden Anbieter von Anwendungen wie der Worterkennung entwickelt, die sich auf die Analyse und Vorhersage von Text konzentrieren. Es löste eine Welle von Tools aus, wie zum Beispiel GPT-3 von OpenAI, das Hunderte Milliarden Wörter trainiert und in beunruhigendem Maße konsistenten neuen Text generiert.

Im Vergleich zu Nicht-Transformer-Modellen gehen diese Vorteile jedoch mit einem höheren Trainingsvolumen für Transformer einher.

Diese Gesichter wurden von einem Transformer-basierten Netzwerk erstellt, nachdem ein Datensatz mit über 200.000 Promi-Gesichtern trainiert wurde.

Im März dieses Jahres untersuchte eine Studie die Funktionsweise von Transformer. Forscher fanden diesen Teil von Was es so mächtig macht, ist seine Fähigkeit, Wörtern eine größere Bedeutung zu verleihen, anstatt sich nur Muster zu merken.

Tatsächlich ist Transformer so anpassungsfähig, dass Neurowissenschaftler damit begonnen haben, Transformer-basierte Netzwerke zur Modellierung menschlicher Gehirnfunktionen zu verwenden.

Das zeigt, dass künstliche Intelligenz und menschliche Intelligenz ein und dasselbe sein können.

Top3: Geknackter Quantenverschlüsselungsalgorithmus

Das Aufkommen des Quantencomputings hat viele Probleme gelöst, die ursprünglich einen großen Rechenaufwand erforderten, und auch die Sicherheit klassischer Verschlüsselungsalgorithmen ist gefährdet. Aus diesem Grund haben akademische Kreise das Konzept der Post-Quanten-Kryptographie vorgeschlagen, um dem Knacken durch Quantencomputer vorzubeugen.

SIKE (Supersingular Isogeny Key Encapsulation) ist ein mit Spannung erwarteter Verschlüsselungsalgorithmus, der elliptische Kurven als Theorem verwendet.

Im Juli dieses Jahres entdeckten jedoch zwei Forscher der Universität Leuven in Belgien, dass dieser Algorithmus mit einem 10 Jahre alten Desktop-Computer in nur einer Stunde erfolgreich geknackt werden konnte.

Es ist erwähnenswert, dass die Forscher dieses Problem aus einer rein mathematischen Perspektive angegangen sind und den Kern des Algorithmusdesigns und nicht mögliche Schwachstellen im Code angegriffen haben.

Papieradresse: https://eprint.iacr.org/2022/975

In diesem Zusammenhang sagten die Forscher, dass dies nur möglich sei, wenn man die Existenz einer „Einbahnstraße“ nachweisen könne Funktion“ Erstellen Sie nachweislich sicheren Code, d. h. Code, der niemals fehlschlagen kann.

Während noch nicht bekannt ist, ob sie existieren, glauben Forscher, dass dieses Problem einem anderen Problem namens Kolmogorov-Komplexität entspricht. Einwegfunktionen und echte Kryptographie sind nur möglich, wenn eine Version der Kolmogorov-Komplexität schwer zu berechnen ist.

Top4: KI mit KI trainieren

In den letzten Jahren haben die Mustererkennungsfähigkeiten künstlicher neuronaler Netze dem Bereich der künstlichen Intelligenz Dynamik verliehen.

Aber bevor ein Netzwerk funktionieren kann, müssen Forscher es zunächst trainieren.

Dieser Trainingsprozess kann Monate dauern und erfordert große Datenmengen, bei denen möglicherweise Milliarden von Parametern feinabgestimmt werden müssen.

Jetzt haben Forscher eine neue Idee: Lassen Sie Maschinen das für sie erledigen.

Dieses neue „Hypernetzwerk“ heißt GHN-2 und ist in der Lage, andere Netzwerke zu verarbeiten und auszuspucken.

Link zum Papier: https://arxiv.org/abs/2110.13100

Es ist schnell und kann jedes gegebene Netzwerk analysieren und schnell einen Satz von Parameterwerten bereitstellen, die die Werte sind ​sind als Parameter in einem traditionell trainierten Netzwerk gültig.

Obwohl die von GHN-2 bereitgestellten Parameter möglicherweise nicht optimal sind, bietet es dennoch einen idealeren Ausgangspunkt und reduziert den Zeit- und Datenaufwand für ein vollständiges Training.

Trainiert durch Backpropagation mit Parametern, die anhand eines bestimmten Bilddatensatzes und unseres DEEPNETS-1M-Architekturdatensatzes vorhergesagt wurden.

Diesen Sommer arbeitete Quanta Magazine auch an einer anderen Hilfsmaschine, einer neuen Art zu lernen – verkörperter künstlicher Intelligenz.

Es ermöglicht Algorithmen, aus reaktionsfähigen dreidimensionalen Umgebungen zu lernen, statt aus statischen Bildern oder abstrakten Daten.

Ob es sich um einen Agenten handelt, der eine simulierte Welt erkundet, oder um einen Roboter in der realen Welt, diese Systeme verfügen über grundlegend unterschiedliche Lernmethoden, und in vielen Fällen sind diese Methoden besser als Systeme, die mit herkömmlichen Methoden trainiert werden.

Top5: Algorithmusverbesserungen

Die Verbesserung der Effizienz grundlegender Computeralgorithmen war schon immer ein heißes Thema in der akademischen Gemeinschaft, da sie sich auf die Gesamtgeschwindigkeit einer großen Anzahl von Berechnungen auswirkt und so einen Dominoeffekt auf diesem Gebiet hervorruft des intelligenten Rechnens.

Im Oktober dieses Jahres schlug das DeepMind-Team in einem in Nature veröffentlichten Artikel AlphaTensor vor, das erste KI-System zur Entdeckung neuartiger, effizienter und korrekter Algorithmen für grundlegende Rechenaufgaben wie die Matrixmultiplikation.

Sein Erscheinen hat eine neue Antwort auf ein 50 Jahre altes ungelöstes mathematisches Problem gefunden: den schnellsten Weg zu finden, zwei Matrizen zu multiplizieren.

Die Matrixmultiplikation ist als eine der Grundoperationen der Matrixtransformation ein zentraler Bestandteil vieler Rechenaufgaben. Es umfasst Computergrafik, digitale Kommunikation, Training neuronaler Netze, wissenschaftliches Rechnen usw., und die von AlphaTensor entdeckten Algorithmen können die Recheneffizienz in diesen Bereichen erheblich verbessern.

Papieradresse: https://www.nature.com/articles/s41586-022-05172-4

Im März dieses Jahres schlug ein Team von sechs Informatikern ein „This“ vor Der Algorithmus „lächerlich schnell“ hat beim ältesten Computerproblem, dem „Maximum-Flow-Problem“, bahnbrechende Fortschritte erzielt.

Der neue Algorithmus kann dieses Problem in „nahezu linearer“ Zeit lösen, das heißt, seine Laufzeit ist grundsätzlich proportional zur Zeit, die zum Aufzeichnen von Netzwerkdetails erforderlich ist.

... Transport Der größte Durchfluss und damit die besten Ergebnisse erzielen.

Im täglichen Leben wird es in vielen Aspekten verwendet, z. B. beim Internet-Datenfluss, bei der Flugplanung und sogar beim Matching von Arbeitssuchenden mit offenen Stellen usw.

Als einer der Autoren des Papiers sagte Daniel Spielman von der Yale University: „Ich war ursprünglich fest davon überzeugt, dass es für dieses Problem keinen so effizienten Algorithmus geben könnte

Top 6: Neue Möglichkeiten, Informationen auszutauschen

.“

Der theoretische Informatiker Mark Braverman von der Princeton University hat mehr als ein Viertel seines Lebens damit verbracht, neue Theorien der interaktiven Kommunikation zu erforschen.

Seine Arbeit hat es Forschern ermöglicht, Begriffe wie „Information“ und „Wissen“ zu quantifizieren, was nicht nur zu einem theoretischeren Verständnis von Interaktionen geführt hat, sondern auch neue Technologien geschaffen hat, die eine effizientere und genauere Kommunikation ermöglichen.

Am liebsten denkt Braverman auf dem Sofa in seinem Büro über quantitative Probleme nach.

Für diese und andere Leistungen von ihm verlieh die International Mathematical Union Braverman im Juli dieses Jahres die IMU-Abacus-Medaille für Theorie Computer. Eine der höchsten Auszeichnungen in der Wissenschaft.

In der Preisrede von IMU wurde darauf hingewiesen, dass Bravermans Beitrag zur Informationskomplexität den Menschen ein tieferes Verständnis für die unterschiedlichen Maße der Informationskosten vermittelt hat, wenn zwei Parteien miteinander kommunizieren.

Seine Arbeit ebnete den Weg für neue Codierungsstrategien, die weniger anfällig für Übertragungsfehler sind, und für neue Möglichkeiten, Daten während der Übertragung und Manipulation zu komprimieren.

Das Problem der Informationskomplexität geht auf die Pionierarbeit von Claude Shannon zurück – 1948 entwickelte er einen mathematischen Rahmen, mit dem eine Person eine Nachricht über einen Kanal an eine andere Person senden konnte.

Und Bravermans größter Beitrag ist die Schaffung eines breiten Rahmens, der gemeinsame Regeln zur Beschreibung der Grenzen der interaktiven Kommunikation formuliert – diese Regeln schlagen neue Möglichkeiten zur Komprimierung und zum Schutz von Daten vor, wenn sie online durch Algorithmen gesendet werden.

Papieradresse: https://arxiv.org/abs/1106.3595

Das Problem der „interaktiven Komprimierung“ kann folgendermaßen verstanden werden: Wenn zwei Personen eine Million Textnachrichten austauschen, aber nur lernen Können 1.000 Bits Informationsaustausch in 1.000 Bits Erhaltung komprimiert werden?

Die Forschung von Braverman und Rao zeigt, dass die Antwort Nein lautet.

Und Braverman hat diese Probleme nicht nur gelöst, er führte auch eine neue Perspektive ein, die es Forschern ermöglichte, sie zunächst zu klären und sie dann in die formale Sprache der Mathematik zu übersetzen.

Seine Theorien legten den Grundstein für die Erforschung dieser Probleme und die Identifizierung neuer Kommunikationsprotokolle, die in zukünftigen Technologien auftauchen könnten.

Das obige ist der detaillierte Inhalt vonJahresrückblick: 6 große Durchbrüche in der Informatik im Jahr 2022! Knackende Quantenverschlüsselung, schnellste Matrixmultiplikation usw. stehen auf der Liste. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!