ขั้นตอนสำคัญสู่คอมพิวเตอร์ควอนตัมซิลิคอน

ขั้นตอนสำคัญสู่คอมพิวเตอร์ควอนตัมซิลิคอน

jumbo jili

ชัยชนะของการทดลองฟิสิกส์ ทีมนักวิทยาศาสตร์นำโดย Andrea Morello และ Andrew Dzurak จากมหาวิทยาลัย New South Wales ในออสเตรเลีย รายงานว่าพวกเขาสามารถตรวจจับสถานะแม่เหล็กหรือการหมุนของแม่เหล็กแท่งเดียวได้ อิเล็กตรอนในชิปซิลิกอน นักวิทยาศาสตร์กล่าวว่านี่เป็นครั้งแรกที่ความสำเร็จดังกล่าวสำเร็จ และเป็นขั้นตอนที่มีแนวโน้มไปสู่การพัฒนาคอมพิวเตอร์ควอนตัมที่ใช้ซิลิกอน

สล็อต

ตรงกันข้ามกับคอมพิวเตอร์ควอนตัมที่คุณใช้ทุกวัน พยายามควบคุมกฎของกลศาสตร์ควอนตัมเพื่อเร่งการคำนวณ เครื่องจักรที่ยังอยู่ในขั้นทดลองเหล่านี้ให้คำมั่นสัญญาว่าจะทำงานบางอย่างซึ่งจะใช้เวลาหลายปีกว่าจะทำสำเร็จในไม่กี่วินาที คอมพิวเตอร์ควอนตัมเป็นสาขาที่ค่อนข้างใหม่และมีการสร้างเครื่องจักรพื้นฐานเท่านั้น ส่วนหนึ่งของปัญหาในการสร้างคอมพิวเตอร์ควอนตัมขนาดใหญ่คือระบบควอนตัมขนาดใหญ่ไม่ได้เก็บข้อมูลไว้นาน พวกเขา “ถอดรหัส” อย่างรวดเร็วในกลศาสตร์ควอนตัม
วิธีการที่ทันสมัยที่สุดในคอมพิวเตอร์ควอนตัมพยายามที่จะสร้าง qubits-เป็นบิตควอนตัมจะเรียกว่าโดยใช้ไอออนของก๊าซเย็นที่ติดอยู่ในพื้นที่แคบ , ยิ่งยวดทางแยกหรือระบบออปติคอล อย่างไรก็ตาม เนื่องจากการแยกตัวออกจากกัน วิธีการเหล่านี้จึงคิดว่ายากที่จะขยายได้ถึงหลายร้อย qubits ที่จำเป็นในการสร้างคอมพิวเตอร์ควอนตัมที่สามารถแข่งขันกับคอมพิวเตอร์ทั่วไปที่ทรงประสิทธิภาพได้ ในปี 1998 นักฟิสิกส์ Bruce Kane ที่มหาวิทยาลัยนิวเซาธ์เวลส์ ได้เสนอแนะคอมพิวเตอร์ควอนตัมประเภทหนึ่งที่สามารถนำมาใช้ในชิปซิลิกอนที่เจือด้วยฟอสฟอรัส ซึ่งสามารถปรับขนาดได้ค่อนข้างง่าย แนวคิดของ Kane เกี่ยวข้องกับการใช้สปินนิวเคลียร์ของอะตอมผู้บริจาคฟอสฟอรัสเป็นคิวบิต
ทีมออสเตรเลียได้รับแรงบันดาลใจจากข้อเสนอของเคน “ซิลิกอนเป็นระบบวัสดุที่โดดเด่นสำหรับวงจรรวมในปัจจุบัน ดังนั้นความสามารถในการใช้ความรู้และการลงทุนด้านการผลิตซิลิกอนในทศวรรษที่ผ่านมาจะเป็นประโยชน์อย่างมากหากต้องพัฒนาเทคโนโลยีที่ใช้งานได้ในเชิงพาณิชย์” Dzurak กล่าว แต่ทีมวิจัยเลือกที่จะตรวจสอบการหมุนของอิเล็กตรอนแทนนิวเคลียสของฟอสฟอรัส “การหมุนของอิเล็กตรอนในซิลิกอนมีเวลาในการเชื่อมโยงกันที่ยาวนานมากเมื่อเทียบกับวิธีการโซลิดสเตตแบบอื่นที่เทียบเคียงได้” Dzurak กล่าว
Quantum Dynamic Duo: Andrew Dzurak และ Andrea Morello แห่งมหาวิทยาลัยนิวเซาธ์เวลส์ สัมผัสได้ถึงการหมุนของอิเล็กตรอนเดี่ยวในซิลิคอน
นักวิทยาศาสตร์สามารถวัดประจุของอิเล็กตรอนตัวเดียวได้ตั้งแต่ปี 1990 โดยใช้อุปกรณ์ทดลองที่เรียกว่าทรานซิสเตอร์แบบอิเล็กตรอนเดี่ยว อย่างไรก็ตาม การตรวจจับการหมุนของอิเล็กตรอนตัวเดียวนั้นยากกว่ามาก เนื่องจากเป็นการยากมากที่จะวัดโมเมนต์แม่เหล็กในนาทีนั้นโดยตรง แต่จำเป็นต้องแปลงการวัดการหมุนเป็น “การวัดการถ่ายโอนประจุ” Dzurak กล่าว
ในการทำเช่นนี้ ทีมงานได้สร้างอุปกรณ์ทดสอบเซมิคอนดักเตอร์บนพื้นผิวซิลิกอนที่มีความบริสุทธิ์สูงมาก โดยการฝังอะตอมของฟอสฟอรัสในรูปแบบนาโน ทีมงานได้จับคู่อุปกรณ์ทดสอบกับทรานซิสเตอร์อิเล็กตรอนแบบอิเล็กตรอนเดี่ยวของโลหะออกไซด์ที่สร้างขึ้นใกล้กับซิลิคอน การรวมกันของอุปกรณ์ที่เกิดขึ้นทำให้นักฟิสิกส์ได้รับสถานะการหมุนของอิเล็กตรอนเพื่อควบคุมการไหลของประจุในวงจรใกล้เคียงและสร้างการอ่านข้อมูลแบบดิจิทัล
“จนถึงการทดลองนี้ ยังไม่มีใครวัดการหมุนของอิเล็กตรอนตัวเดียวในซิลิกอนได้” มอเรลโลกล่าว
แต่การอ่านสถานะการหมุนของอิเล็กตรอนเป็นเพียงส่วนหนึ่งของการคำนวณควอนตัมเท่านั้น คุณต้องสามารถเขียนได้เช่นกัน นักวิจัยกล่าวว่าขั้นตอนต่อไปที่พวกเขาใฝ่หาคือการสร้างนักเขียนอิเล็กตรอนตัวเดียวและรวมเข้ากับผู้อ่าน ความท้าทายมากมายยังคงอยู่ “เห็นได้ชัดว่าวิศวกรรมอะตอมเดี่ยวไม่ใช่เรื่องง่าย” Dzurak กล่าว
นอกจากนี้ “พวกเขาจะต้องจับคู่สอง qubits เข้าด้วยกันเพื่อสร้างตรรกะควอนตัมอย่างง่าย” Kane ซึ่งปัจจุบันอยู่ที่มหาวิทยาลัยแมริแลนด์ในคอลเลจพาร์คกล่าว “งานที่พวกเขาทำเป็นก้าวสำคัญสู่ความสำเร็จในการคำนวณควอนตัมในซิลิคอน แต่ก็ยังมีหนทางอีกยาวไกล”
Loihi สามารถเรียกใช้เครือข่ายที่อาจมีภูมิคุ้มกันต่อการลืมอย่างหายนะ หมายความว่าเรียนรู้เหมือนมนุษย์อีกเล็กน้อย อันที่จริง มีหลักฐานจากความร่วมมือด้านการวิจัยกับกลุ่มของ Thomas Clelandที่ Cornell University ว่า Loihi สามารถบรรลุสิ่งที่เรียกว่าการเรียนรู้แบบครั้งเดียวได้ นั่นคือการเรียนรู้คุณลักษณะใหม่หลังจากที่ได้สัมผัสเพียงครั้งเดียว กลุ่มคอร์เนลล์แสดงสิ่งนี้โดยสรุปแบบจำลองของระบบการดมกลิ่นเพื่อให้ทำงานบนโลอิฮิ เมื่อได้สัมผัสกับกลิ่นเสมือนจริงแบบใหม่ ระบบไม่เพียงแต่ไม่ลืมทุกสิ่งทุกอย่างที่มันได้กลิ่นอย่างหายนะ แต่ยังเรียนรู้ที่จะรับรู้กลิ่นใหม่จากการสัมผัสเพียงครั้งเดียว
Loihi ยังอาจเรียกใช้อัลกอริธึมการแยกคุณลักษณะที่มีภูมิคุ้มกันต่อการโจมตีของฝ่ายตรงข้ามที่ทำให้ระบบจดจำภาพในปัจจุบันสับสน โครงข่ายประสาทเทียมแบบดั้งเดิมไม่เข้าใจคุณลักษณะที่ดึงมาจากภาพในลักษณะที่สมองของเราทำ “พวกเขาสามารถหลอกได้ด้วยการโจมตีแบบง่าย ๆ เช่น การเปลี่ยนพิกเซลแต่ละพิกเซลหรือเพิ่มหน้าจอแสดงสัญญาณรบกวนที่จะไม่หลอกมนุษย์ไม่ว่าด้วยวิธีใด” เดวีส์อธิบาย แต่อัลกอริธึมการเข้ารหัสแบบเบาบาง Loihi สามารถทำงานได้เหมือนกับระบบการมองเห็นของมนุษย์ ดังนั้นจึงไม่ตกเป็นเหยื่อของฉ้อฉลดังกล่าว (น่าเป็นห่วงมนุษย์ไม่มีภูมิคุ้มกันอย่างสมบูรณ์ต่อการโจมตีดังกล่าว )
นักวิจัยยังใช้ Loihi เพื่อปรับปรุงการควบคุมแบบเรียลไทม์สำหรับระบบหุ่นยนต์ ตัวอย่างเช่น เมื่อสัปดาห์ที่แล้วที่Telluride Neuromorphic Cognition Engineering Workshopซึ่งเป็นเหตุการณ์ที่ Davies เรียกว่า “ค่ายฤดูร้อนสำหรับผู้สนใจเรื่อง neuromorphics” นักวิจัยทำงานอย่างหนักโดยใช้ระบบ Loihi เพื่อควบคุมโต๊ะฟุตบอล “มันทำให้ผู้คนคลั่งไคล้” เขากล่าว “แต่มันเป็นภาพประกอบที่ดีของเทคโนโลยี neuromorphic รวดเร็ว ต้องการการตอบสนองที่รวดเร็ว การวางแผนที่รวดเร็ว และความคาดหวัง นี่คือสิ่งที่ชิป neuromorphic ทำได้ดี”
เพื่อให้ได้การประมวลผลแบบ edge Computing ที่ผู้คนพูดถึงในแอพพลิเคชั่นต่างๆ ซึ่งรวมถึง เครือข่าย 5GและInternet of Things (IoT) คุณจะต้องบรรจุพลังการประมวลผลจำนวนมากลงในอุปกรณ์ที่มีขนาดค่อนข้างเล็ก
วิธีไปข้างหน้าสำหรับความคิดที่ว่าจะได้รับการยกระดับปัญญาประดิษฐ์ (AI) คอมพิวเตอร์เทคนิคสำหรับสิ่งที่เรียกว่า AI ที่ขอบ ในขณะที่บางคนกังวลว่านักเทคโนโลยีจะจัดการกับ AI สำหรับการใช้งานนอกเหนือจากการคำนวณแบบเดิมๆ อย่างไร และบางคนก็กำลังโบกมือให้กับ ประเทศที่จะได้เปรียบในพรมแดนใหม่นี้ เทคโนโลยียังค่อนข้างเร็วในวัฏจักรการพัฒนา
แต่ดูเหมือนว่าสถานะยังเร็วเกินไปกำลังจะเปลี่ยนไปเล็กน้อย นักวิจัยจาก Université de Sherbrooke ในควิเบก ประเทศแคนาดา ได้จัดการติดตั้งอุปกรณ์ระบบไมโครอิเล็กทรอนิกส์ (MEMS) ด้วยรูปแบบของปัญญาประดิษฐ์ ซึ่งนับเป็นครั้งแรกที่ AI ประเภทใดก็ตามรวมอยู่ในอุปกรณ์ MEMS ผลที่ได้คือการประมวลผลแบบ neuromorphicชนิดหนึ่งที่ทำงานเหมือนสมองของมนุษย์ แต่อยู่ในอุปกรณ์ไมโครสเกล การรวมกันทำให้สามารถประมวลผลข้อมูลในอุปกรณ์ได้เอง ซึ่งจะช่วยปรับปรุงโอกาสในการใช้ Edge Computing
Julien Sylvestreศาสตราจารย์ที่ Sherbrooke และผู้เขียนร่วมของรายงานวิจัยกล่าวว่า “เราได้เขียนบทความไปแล้วเมื่อปีที่แล้วซึ่งแสดงให้เห็นในทางทฤษฎีว่า MEMS AI สามารถทำได้” กล่าวโดยJulien Sylvestre “ความก้าวหน้าครั้งล่าสุดของเราคือการแสดงอุปกรณ์ที่สามารถทำได้ในห้องปฏิบัติการ”

สล็อตออนไลน์

วิธี AI นักวิจัยแสดงให้เห็นในการวิจัยของพวกเขาซึ่งได้อธิบายไว้ในวารสารฟิสิกส์ประยุกต์ ,เป็นสิ่งที่เรียกว่า“ คอมพิวเตอร์อ่างเก็บน้ำ .” ซิลเวสเตอร์อธิบายว่าเพื่อทำความเข้าใจเกี่ยวกับการคำนวณในอ่างเก็บน้ำ คุณต้องเข้าใจเล็กน้อยเกี่ยวกับการทำงานของโครงข่ายประสาทเทียม (ANN) ANN เหล่านี้รับข้อมูลบนบอร์ดผ่านเลเยอร์อินพุต แปลงข้อมูลนั้นในเลเยอร์ที่ซ่อนอยู่ของหน่วยคำนวณซึ่งมักเรียกว่าเซลล์ประสาท จากนั้นตีความข้อมูลขั้นสุดท้ายในเลเยอร์เอาต์พุต การคำนวณอ่างเก็บน้ำมักใช้กับอินพุตที่ขึ้นอยู่กับเวลา
ดังนั้นการคำนวณในอ่างเก็บน้ำจึงใช้ระบบไดนามิกที่ขับเคลื่อนโดยอินพุตที่ขึ้นกับเวลา ระบบไดนามิกถูกเลือกให้ค่อนข้างซับซ้อน ดังนั้นการตอบสนองต่ออินพุตจึงค่อนข้างแตกต่างจากอินพุตเอง
นอกจากนี้ ระบบยังได้รับเลือกให้มีอิสระหลายระดับในการตอบสนองต่ออินพุต เป็นผลให้ข้อมูลเข้า “ถูกแมป” กับวิถีในพื้นที่มิติสูง แต่ละมิติสอดคล้องกับระดับความเป็นอิสระ สิ่งนี้สร้าง “ความสมบูรณ์” ของข้อมูลจำนวนมาก หมายความว่ามีการเปลี่ยนแปลงข้อมูลอินพุตที่แตกต่างกันมากมาย
“เคล็ดลับพิเศษที่ใช้โดยการคำนวณแบบอ่างเก็บน้ำคือการรวมมิติทั้งหมดเป็นเส้นตรงเพื่อให้ได้ผลลัพธ์ที่สอดคล้องกับสิ่งที่เราต้องการให้คอมพิวเตอร์เป็นคำตอบสำหรับอินพุตที่กำหนด” ซิลเวสเตอร์กล่าว “นั่นคือสิ่งที่เราเรียกว่า ‘การฝึกอบรม’ การคำนวณในอ่างเก็บน้ำ การรวมเชิงเส้นนั้นคำนวณได้ง่ายมาก ไม่เหมือนกับวิธีการอื่นๆ ของ AI ซึ่งจะพยายามปรับเปลี่ยนการทำงานภายในของระบบไดนามิกเพื่อให้ได้ผลลัพธ์ที่ต้องการ”
ในระบบคอมพิวเตอร์อ่างเก็บน้ำส่วนใหญ่ ระบบไดนามิกคือซอฟต์แวร์ ในงานนี้ ระบบไดนามิกเป็นอุปกรณ์ MEMS เอง เพื่อให้บรรลุระบบไดนามิกนี้ อุปกรณ์ใช้ไดนามิกที่ไม่เป็นเชิงเส้นว่าลำแสงซิลิกอนที่บางมากจะแกว่งไปมาในอวกาศอย่างไร การสั่นเหล่านี้สร้างโครงข่ายประสาทเทียมชนิดหนึ่งที่แปลงสัญญาณอินพุตเป็นพื้นที่มิติที่สูงขึ้นซึ่งจำเป็นสำหรับการคำนวณโครงข่ายประสาทเทียม
ซิลเวสเตอร์อธิบายว่าเป็นการยากที่จะปรับเปลี่ยนการทำงานภายในของอุปกรณ์ MEMS แต่ไม่จำเป็นในการคำนวณแบบอ่างเก็บน้ำ ซึ่งเป็นเหตุผลว่าทำไมพวกเขาจึงใช้วิธีนี้ในการทำ AI ใน MEMS
“งานของเราแสดงให้เห็นว่าเป็นไปได้ที่จะใช้ทรัพยากรที่ไม่เชิงเส้นใน MEMS เพื่อทำ AI” ซิลเวสเตอร์กล่าว “เป็นวิธีใหม่ในการสร้างอุปกรณ์ ‘อัจฉริยะประดิษฐ์’ ที่มีขนาดเล็กและมีประสิทธิภาพมาก”
เป็นการยากที่จะเปรียบเทียบพลังการประมวลผลของอุปกรณ์ MEMS นี้กับปริมาณที่ทราบ เช่น คอมพิวเตอร์เดสก์ท็อป ตามที่ซิลเวสเตอร์กล่าว “คอมพิวเตอร์และ MEMS ของเราทำงานแตกต่างกันมาก” เขาอธิบาย “ในขณะที่คอมพิวเตอร์มีขนาดใหญ่และกินไฟมาก (หลายสิบวัตต์) MEMS ของเราสามารถพอดีกับปลายผมมนุษย์และทำงานด้วยพลังงานระดับไมโครวัตต์ อย่างไรก็ตาม พวกเขาสามารถทำกลอุบายได้ เช่น การจำแนกคำพูด ซึ่งเป็นงานที่น่าจะใช้ 10 เปอร์เซ็นต์ [ของทรัพยากร] ของคอมพิวเตอร์เดสก์ท็อป”

jumboslot

แอปพลิเคชันที่เป็นไปได้สำหรับ MEMS ที่ติดตั้ง AI นี้อาจเป็นเครื่องวัดความเร่ง MEMS ซึ่งข้อมูลทั้งหมดที่อุปกรณ์กำลังรวบรวมจะได้รับการประมวลผลภายในอุปกรณ์โดยไม่จำเป็นต้องส่งข้อมูลนั้นกลับไปยังคอมพิวเตอร์
ในขณะที่นักวิจัยยังไม่ได้มุ่งเน้นไปที่วิธีที่พวกเขาจะให้พลังงานแก่ MEMS เหล่านี้ สันนิษฐานว่าการใช้พลังงานอย่างน่าสังเวชของอุปกรณ์จะช่วยให้พวกเขาทำงานบนเครื่องเก็บเกี่ยวพลังงานเท่านั้นโดยไม่ต้องใช้แบตเตอรี่ ด้วยเหตุนี้ นักวิจัยจึงกำลังมองหาวิธีนำ AI MEMS ไปใช้กับแอปพลิเคชันในการตรวจจับและควบคุมหุ่นยนต์
การประมวลผลของเราเกิดขึ้นในคลาวด์มากแค่ไหน? มาก. ผู้ให้บริการคลาวด์สาธารณะเพียงอย่างเดียวใช้เวลาในการมากกว่าหนึ่งในสี่ของล้านล้านเหรียญสหรัฐต่อปี นั่นคือเหตุผลที่Amazon , GoogleและMicrosoftมีศูนย์ข้อมูลขนาดใหญ่อยู่ทั่วโลก AppleและFacebook ต่างก็ใช้สิ่งอำนวยความสะดวกที่คล้ายคลึงกัน ทั้งหมดอัดแน่นไปด้วยซีพียูที่มีจำนวนคอร์สูง แรมขนาดเทราไบต์ และพื้นที่เก็บข้อมูลระดับเพตะไบต์
เครื่องจักรเหล่านี้ทำงานอย่างหนักเพื่อสนับสนุนสิ่งที่เรียกว่า “ทุนนิยมการสอดส่อง”: การติดตามไม่รู้จบ โปรไฟล์ผู้ใช้ และการกำหนดเป้​​าหมายอัลกอริธึมที่ใช้ในการแจกจ่ายโฆษณา แน่นอนว่าการคำนวณทั้งหมดนี้ทำเงินได้เป็นจำนวนมาก แต่ก็สิ้นเปลืองมากเช่นกัน ของวัตต์: บลูมเบิร์กได้ประมาณการเมื่อเร็วๆ นี้ว่าประมาณ 1 เปอร์เซ็นต์ของกระแสไฟฟ้าทั่วโลกจะไปที่คลาวด์คอมพิวติ้ง
ตัวเลขดังกล่าวมีแนวโน้มที่จะเติบโตอย่างทวีคูณในทศวรรษหน้า บลูมเบิร์กคาดว่า ทั่วโลก เราอาจออกจากปี 2020 โดยต้องใช้ไฟฟ้ามากถึง 8% ของพลังงานทั้งหมดเพื่อขับเคลื่อนระบบคลาวด์ในอนาคต นั่นอาจดูเหมือนการกระโดดครั้งใหญ่ แต่อาจเป็นการประมาณการที่ระมัดระวัง ท้ายที่สุด ภายในปี 2030 ด้วยแว่นตาเสมือนจริงหลายร้อยล้านตัวที่สตรีมวิดีโอแบบเรียลไทม์ไปยังคลาวด์ และด้วยการใช้สกุลเงินดิจิทัลอัจฉริยะอย่างแพร่หลายที่ผสมผสานเงินกับโค้ดอย่างราบรื่น ระบบคลาวด์จะเป็นรากฐานสำหรับการทำธุรกรรมทางการเงินเกือบทุกรายการ และการโต้ตอบของผู้ใช้กับข้อมูล
เราสามารถอุทิศพลังงานให้กับการคำนวณทั้งหมดนี้ได้มากน้อยเพียงใด ก่อนหน้านี้ เราอาจใช้กฎของมัวร์เพื่อควบคุมงบประมาณด้านพลังงานในขณะที่เราขยายทรัพยากรการประมวลผลของเรา แต่ตอนนี้ เมื่อเราขจัดประสิทธิภาพของโหนดประมวลผลสองสามขั้นสุดท้ายก่อนที่เราจะไปถึงอุปกรณ์ระดับอะตอม การปรับปรุงเหล่านั้นจะถึงขีดจำกัดทางกายภาพ จะใช้เวลาไม่นานจนกว่าการประมวลผลและการใช้พลังงานจะกลับมารวมกันอีกครั้ง เหมือนเมื่อ 60 ปีก่อน ก่อนที่ซีพียูแบบบูรณาการจะเปลี่ยนเกม
เราไม่สามารถอุทิศการผลิตไฟฟ้าทั้งหมดของโลกเพื่อสนับสนุนระบบคลาวด์ บางสิ่งบางอย่างจะต้องให้
ดูเหมือนว่าเรากำลังพุ่งเข้าหากำแพงอิฐ เนื่องจากความต้องการใช้คอมพิวเตอร์ที่เพิ่มขึ้นขัดแย้งกับประสิทธิภาพที่ลดลง เราไม่สามารถอุทิศการผลิตไฟฟ้าทั้งหมดของโลกเพื่อสนับสนุนระบบคลาวด์ บางสิ่งบางอย่างจะต้องให้
โซลูชันที่เร่งด่วนที่สุดจะเกี่ยวข้องกับการประมวลผลข้อมูลที่ Edge มากขึ้น ก่อนที่มันจะเข้าสู่คลาวด์ แต่นั่นก็เปลี่ยนภาระเท่านั้น โดยซื้อเวลามาคิดใหม่ว่าจะจัดการคอมพิวเตอร์ของเราอย่างไรเมื่อต้องเผชิญกับแหล่งพลังงานที่จำกัด
ไม่ต้องสงสัยเลยว่าวิศวกรรมซอฟต์แวร์และฮาร์ดแวร์จะปรับแนวทางการออกแบบใหม่เกี่ยวกับประสิทธิภาพการใช้พลังงานอย่างไม่ต้องสงสัย รหัสเพิ่มเติมจะหาทางเข้าสู่ซิลิคอนแบบกำหนดเอง และโค้ดดังกล่าวจะค้นหาสาเหตุเพิ่มเติมในการทำงานไม่บ่อย แบบอะซิงโครนัส และน้อยที่สุดเท่าที่จะเป็นไปได้ ทั้งหมดนี้จะช่วยได้ แต่เมื่อซอฟต์แวร์กลืนกินโลกมากขึ้นเรื่อยๆ —เพื่อขอยืมคำอุปมาที่โด่งดังในตอนนี้—เราจะเผชิญกับความท้าทายนี้ในอาณาจักรที่กว้างกว่า
เราสามารถสอดแนมอนาคตนี้ได้ในการใช้พลังงานและผลกำไรส่วนตัวซึ่งเป็นกลไกพิสูจน์การทำงานสำหรับ cryptocurrencies เช่น Bitcoin บริษัทอย่าง Square ได้ประกาศการลงทุนด้านพลังงานแสงอาทิตย์สำหรับการขุด Bitcoin โดยหวังว่าจะเบี่ยงเบนข่าวร้ายที่เกี่ยวข้องกับกิจกรรมนี้ แต่มากกว่าการประชาสัมพันธ์เป็นเดิมพัน
Bitcoin ขอให้เราขุดแรงจูงใจในการทำกำไรกับสุขภาพของโลก กิจกรรมการคำนวณจำนวนมากขึ้นจะทำเช่นเดียวกันในอนาคต หวังว่าเราจะไม่ถึงจุดที่ชะตากรรมของโลกขึ้นอยู่กับชะตากรรมของทรานซิสเตอร์
ลองนึกถึงงานมากมายที่คอมพิวเตอร์กำลังถูกนำไปใช้ ซึ่งในอดีตอันใกล้ไม่ไกลนั้นจำเป็นต้องมีสัญชาตญาณของมนุษย์ คอมพิวเตอร์มักระบุวัตถุในภาพ ถอดเสียงคำพูด แปลระหว่างภาษา วินิจฉัยโรค เล่นเกมที่ซับซ้อน และขับรถ

slot

เทคนิคที่ส่งเสริมการพัฒนาที่น่าทึ่งเหล่านี้เรียกว่าการเรียนรู้เชิงลึก ซึ่งเป็นคำที่อ้างถึงแบบจำลองทางคณิตศาสตร์ที่เรียกว่าโครงข่ายประสาทเทียม การเรียนรู้เชิงลึกเป็นสาขาย่อยของการเรียนรู้ด้วยเครื่อง ซึ่งเป็นสาขาหนึ่งของวิทยาการคอมพิวเตอร์โดยอิงจากแบบจำลองที่ซับซ้อนกับข้อมูล
แม้ว่าแมชชีนเลิร์นนิงจะมีมาช้านานแล้ว แต่การเรียนรู้เชิงลึกได้ดำเนินชีวิตด้วยตัวของมันเองเมื่อเร็วๆ นี้ เหตุผลส่วนใหญ่เกี่ยวข้องกับพลังประมวลผลที่เพิ่มขึ้นซึ่งมีให้ใช้อย่างแพร่หลาย ควบคู่ไปกับปริมาณข้อมูลที่เพิ่มขึ้นซึ่งสามารถรวบรวมและนำไปใช้ในการฝึกอบรมโครงข่ายประสาทเทียมได้อย่างง่ายดาย

This entry was posted in Slot and tagged , , . Bookmark the permalink.