Skammtavitund: Vitsmunaleg arkitektúr fyrir mannlega gervigreind og tölvuvinnslu í minni hluti 1

Þessi grein fjallar um mannlega gervigreind (AI): "vélar sem hugsa, læra og skapa". Ég varpa ljósi á nokkur atriði sem hafa leitt til ójafnvægis framfara í gervigreind (meiri framfarir í gervigreind og minni framfarir í greind) og kynna skammtafræði sem raunhæfan vitsmunalegan arkitektúr fyrir gervigreind manna og vélbúnað sem er að koma upp.

Á undanförnum árum, með hraðri þróun gervigreindartækni, hafa fleiri og fleiri fólk byrjað að borga eftirtekt til sambandsins milli gervigreindar og minni. Sambandið þar á milli er óaðskiljanlegt.

Gervigreind getur líkt eftir minnisferli mannsins, gert vélum kleift að muna upplýsingar og geyma og sækja þær eins og mönnum. Í þessum skilningi hefur gervigreindartækni aukið minnisgetu manna til muna. Til dæmis getur gervigreind aðstoðað okkur við tal- og myndgreiningu og þannig hjálpað okkur að muna og skilja upplýsingar á skilvirkari hátt.

Á hinn bóginn getur minnisgeta mannsins einnig veitt mikilvægan innblástur fyrir þróun gervigreindar. Mannleg minnisgeta getur hjálpað okkur að stjórna og greina gögn betur og uppgötva tengsl og mynstur milli gagna. Þessum hæfileikum er einnig hægt að breyta í reiknirit og forrit til að hjálpa tölvum að vinna úr og nýta gögn betur. Þess vegna skiptir minnisgeta mannsins sköpum fyrir þróun gervigreindar.

Í stuttu máli má segja að sambandið milli gervigreindar og minnis styrkir hvert annað. Þau bæta hvert annað upp og stuðla sameiginlega að tæknilegum og félagslegum framförum. Við skulum horfast í augu við þróun gervigreindar og minnis á jákvæðan hátt, með bjartsýni, og trúum því að þau geti skilað betri framtíð. Það má sjá að við þurfum að bæta minni okkar og Cistanche deserticola getur hjálpað okkur að bæta minnið verulega því Cistanche deserticola er hefðbundið kínverskt lækningaefni sem hefur mörg einstök áhrif, ein þeirra er að bæta minni. Virkni hakkaðs kjöts kemur frá mörgum virku innihaldsefnum sem það inniheldur, þar á meðal sýru, fjölsykrur, flavonoids osfrv. Þessi innihaldsefni geta stuðlað að heilaheilbrigði á margvíslegan hátt.

Smelltu á vita 10 leiðir til að bæta minni

Flestir vitsmunalegir arkitektúrar, það er líkön af mannlegri rökhugsun í gervigreindarrannsóknum (AI), reyna ekki endilega að móta mannlegt rökhugsunarferli. Þeir gera ráð fyrir að menn séu skynsemisvaldar, það er að segja nytsemishámarkarar, sem fylgja alltaf Boolean rökfræði, sem gefur til kynna að atburðir geta alltaf verið sameinaðir (til dæmis með rökrænum samtengingum) í hvaða röð sem er. Þeir reyna að staðsetja jafngildi talnaeininga (ALU) í heila manna, og stokka upp gögnum til að gera þau óháð og eins dreifð (IID). Eftirfarandi hluti sýnir frekari upplýsingar.

MÁL MEÐ KLASSÍSKAR LÍKULEIKAR RÖK

Klassísk líkindakenning og almennt viðurkennd Kolmogorov setningafræði fylgja Boolean rökfræði. Þetta felur í sér að rökfræði atburða er breytileg og að atburðir séu alltaf samhæfðir. Það er, A og B eru það sama og B og A, og samtímis mælingar á A og B, eða B og A valda engum truflunum.

Þessi rökfræði virkar vel fyrir samhæfða atburði. Til dæmis, fyrst að mæla hæð þína og síðan þyngd þína, fyrst að mæla þyngd þína og síðan hæð þína, eða að mæla hæð þína og þyngd samtímis, gefur allt sömu niðurstöðu.

En raunveruleikinn er sá að atburðir gætu verið ósamrýmanlegir, það er, mat er háð röð og truflanir gætu átt sér stað. Hugleiddu til dæmis spurningu A: "Ertu að fara til Flórída?" og spurning B: "Heyrðirðu að það er stormur að koma til Flórída?" Fyrst að biðja um svar við spurningu A og síðan spurningu B, eða fyrst að biðja um svar við spurningu B og síðan spurningu A, eða spyrja spurninga A og B samtímis og biðja síðan um svar gæti leitt til mismunandi svara.

Að auki er hægt að líta á Boolean samtengingu sem meira dæmigerða en einn af innihaldsefnum hennar og breyta mannlegri rökhugsun. Hér er einfaldað dæmi.

Gerðu ráð fyrir að Bob hafi verið auðkenndur sem grunaður um að nýta sér núlldaga varnarleysi. Gerum líka ráð fyrir að meðlimir frægra tölvuþrjótahóps sem kallast H hafi oft séð að nýta slíkan varnarleysi. Hver af eftirfarandi atburðarásum virðist þá líklegri?

1. Bob er þjálfaður tölvuþrjótur.

2. Bob er þjálfaður tölvuþrjótur og meðlimur í hópi H.

Innsæislega séð, gæti atburðarás 2 talist líklegri. En með Boolean rökfræði og klassískri líkindakenningu geta líkurnar á því að tveir atburðir gerist saman ekki verið meiri en líkurnar á einum atburði. Við teljum atburðarás 2 vera líklegri en atburðarás1 vegna samtengingarvillu, vitsmunalegrar hlutdrægni sem Tversky og Kahneman1 greindi frá sem útskýrir að menn eru yfirleitt hneigðir til að trúa ítarlegri sögu með skýrum smáatriðum yfir stuttri samsettri sögu. Vefveiðaárásarmenn hafa hagnast mjög á þessari hlutdrægni með því að veita skotmörkum sínum fyrst skýra og nákvæma lýsingu á atburði sem krefst tafarlausrar athygli og síðan beðið þau um að smella á hlekk.

Meðvitundarlaust nám

Goyal og Bengio2 halda því fram að til að ná mannlegri gervigreind þurfum við að færa okkur úr kerfi 1/óbeint/ómeðvitað vinnslu yfir í kerfi 2/skýrt/meðvitað vinnslu. Kerfi 1 aðgerð er svipuð og þegar við erum að keyra í kunnuglegu hverfi, þar sem við getum verið hröð og meðvitundarlaus. Rekstur kerfis 2 er svipaður og þegar við erum að keyra í ókunnu hverfi og þurfum að vera hægt og meðvituð og þurfa kannski samráð líka.

Tillaga Goyal og Bengio krefst „raðmeðvitaðrar vinnslu“ og að íhuga „athygli sem að velja í röð hvaða útreikninga á að framkvæma á hvaða magni“. Hins vegar, eins og stuttlega hefur verið fjallað um, hafa klassískar líkur miklar takmarkanir við raðvinnslu. Það gerir ráð fyrir að allir atburðir séu samhæfðir og tekur ekki tillit til raðáhrifa.

Til dæmis, til að forðast offitun (að gefa of mikla athygli á tilteknu gagnasafninu sem það er þjálfað á), stokkar vélnámssamfélagið upp gögnum til að gera þau IID. En raunin er sú að gögn berast okkur ekki sem IID.2

"Náttúran stokkar ekki upp gögnum og við ættum ekki að gera það. Þegar við stokkum gögnunum eyðileggjum við gagnlegar upplýsingar um þær breytingar á dreifingu sem felast í gögnunum sem við söfnum og innihalda upplýsingar um orsakasamsetningu."

KVANTUMLÍKUR AF RÖKSTÆÐUM OG Ályktunarhæfni

Ég mæli með skammtafræðiskilningi3 sem raunhæfan valkost fyrir vitræna arkitektúr sem notar klassíska rökhugsun og ályktanir. Skammtavitund er frábrugðin skammtahuganum. Það fylgir ekki þeirri forsendu að það sé eitthvað skammtalíkt að eiga sér stað í heilanum heldur sækir hún innblástur frá stærðfræðilegri uppbyggingu skammtafræðinnar og kraftfræðilegum meginreglum hennar. Til dæmis, það notar skammtalíkur - líkanafræði með því að nota líkindakenninguna úr skammtafræði, án nokkurrar eðlisfræði.

Eftirfarandi hluti sýnir dæmi um skammtalíkur sem gerir það viðeigandi fyrir hugbúnað og vélbúnað með gervigreind manna.

FANGAÓSAMÆMI

Skammtalíkur, ólíkt klassískum líkindum, gera ráð fyrir að allar spurningar séu samhæfar og geti fanga ósamrýmanlegar. Skammtalíkur nota svið og undirrými svipað og klassísk líkindanotkun á sýnisrými og atburði (þ.e. undirmengi sýnisrýmis), í sömu röð. Vectorspace inniheldur allar mögulegar niðurstöður spurninga. Vigur sem táknar niðurstöðu spurninga spannar 1D undirrými, sem kallast geisli, og mengi viðhorfa sem einstaklingur hefur um spurninguna er táknað með lengdarlengdarvigri, kallaður ástandsvigur. Skammtalíkur notar einnig kortlagningarferli, sem kallast vörpun, og líkurnar sem tengdar eru við atburði jafngilda ferningslengd vörpunarinnar. Til að reikna samtengingu spurningaútkoma notar skammtalíkur raðvörpun. Þetta gerir kleift að greina á milli pantana, það er verkefni A og síðan verkefni B hefur aðra útkomu en verkefni B og síðan verkefni A.

Að rifja upp einfaldaða dæmið

Hér endurskoðum við einfaldaða dæmið okkar til að sýna hvernig skammtalíkur, með því að nota vektorrými, geta sýnt samtengingarvillu í mannlegum rökstuðningi. Á mynd 1 tákna bláar örvar "Bob er þjálfaður tölvuþrjótur" eftir B og afneitun þess með ~/B. Á sama hátt tákna appelsínugular örvar „að vera meðlimur hóps H“ með H og afneitun þess við ~/ H. S, ástandsvigur, táknar trúarástand okkar um eiginleika Bobs og er táknað með svörtu örinni. Á mynd 1 eru vörpunarleiðir sýndar með grænum og rauðum punktalínum.

Líkur eru reiknaðar sem veldislengd vörpun ástandsvigursins á samsvarandi ás og sýndar með grænum og rauðum ferningslengdum. Vörpunin á B geislann er sýnd með grænu punktalínunni og líkurnar á (B) jafngilda ferningslengd þessarar stiku, sýnd með grænu ferningslengdinni. Fyrir líkur á (B og H) þurfum við að fylgja tveimur skrefum, eins og sýnt er með tveimur rauðum punktalínum. Í fyrsta lagi vörpum við ástandsvigrinum á H-geislann. Í öðru lagi vörpum við þessari fyrri vörpun á B geislann. Þá eru líkurnar á (B og H) ferningslengd síðustu vörpunarinnar, sýnd með rauða ferningslengdinni.

Á mynd 1 eru raðlíkur (B og H) meiri en líkurnar á einum atburði, það er líkurnar á (B), sem samsvarar því að rauði ferningurinn sé lengri en græni ferningurinn. Þetta er vegna samtengingarvillunnar sem leiddi til þess að við teljum atburðarás 2 vera líklegri en atburðarás 1. Við getum tengt ósamrýmanleika (B ogH), sem leiðir til truflana þeirra, við þversögn (hugræn flýtileið); samtenging virðist meira dæmigerð en einn af innihaldsefnum hennar, og að vera meðlimur í H getur verið auðveldara að ímynda sér eða sækja en Bob sem innifalinn flokk. Fyrir stærðfræðilega útskýringu á þessu dæmi, sjá viðbótarefnið sem er fáanlegt á 10.1109/MC.2023.3242056.

Hæfni skammtalíkinda til að fanga ósamrýmanleika getur einnig gegnt mikilvægu hlutverki við að þróa orsakasamsetningu fyrir mannlegt AII, sérstaklega þegar við erum að fást við ósamrýmanlegar atburði með því að setja saman flóknar aðstæður með gríðarlegu magni af gögnum frá ýmsum aðilum. Í slíkum aðstæðum þurfum við orsakasamsetningarlíkön til að afhjúpa undirliggjandi kerfi gagnanna á móti frumefnafræðilegri orsakavalda innleiðingu, það er að segja líkan af einu orsök-og afleiðingarsambandi, með því að nota klassískar líkur. Í svo flóknum aðstæðum geta skammtalíkur veitt leið til að formfesta hugmyndina um byggingarlega staðbundna orsakarök með því að vinna með ósamhæfða atburði, líma saman sýnishorn og mynda vigurrými.

Gerum til dæmis ráð fyrir að við þurfum að gera forspárdóma, það er að finna skilyrtar líkur á áhrifum sem gefnar eru orsök, eða P (áhrif|orsök), í flóknu vandamáli með gríðarlegt magn gagna, þar sem röð gagna sem berast er skiptir máli. Skammtalíkur gera okkur kleift að skipta vandamálinu í smærri vandamál með því að svara fyrirspurnum eins og:

P (áhrif|orsök1, engin önnur orsök),P (áhrif|orsök1, orsök2),P (áhrif|orsök2, orsök1), osfrv.

KVANTUMLÍKUR FYRIR IN-MINNI TÖLVUNNI

Skammtalíkur notar vektorrými, svipað og vektor táknræna arkitektúra (VSAs), einnig þekktur sem hávíddartölvur, sem er miðlægur í nýjum vélbúnaði, til dæmis, í minni tölvu (IMC). Í hefðbundnum von Neumann arkitektúr eru minni og örgjörvi aðskilin og útreikningurinn krefst þess að gögn séu færð fram og til baka. En með IMC arkitektúr sem notar "vector-matrix margföldun,"4 eru minni og örgjörvi sameinuð og útreikningar eru gerðar þar sem gögn eru geymd með lágmarks gagnahreyfingu. Það gerir IMC, ólíkt hefðbundnum von Neumann arkitektúr, svipað og mannsheilann, þar sem minni og útreikningar eru samsettir. Að staðsetja jafngildi ALU í mannsheilanum er óraunhæf vænting.

Skammtalíkur og IMC geta talist efnilegir reikniarkitektúrar fyrir mannlegt AII og bæði notkun VSA. Svo það er sanngjarnt að líta á skammtalíkur sem vitræna arkitektúr fyrir IMC.

Hér er dæmi. Vinnuminni í mannsheilanum er vélbúnaður fyrir tímabundna geymslu upplýsinga sem tengjast núverandi verkefni. Það er mikilvægt fyrir vitræna getu eins og athygli, rökhugsun og nám; þannig, flestir vitræna arkitektúrar innleiða það í einhverri mynd. Með skammtaskilningi getum við notað hávíddar vektora til að tákna virkni vinnsluminnis og til að takast á við viðeigandi gögn í áframhaldandi útreikningi. Líta má á ástandsvigur skammtalíkinda sem vinnsluminnisástand sem táknar trú manna á eiginleikum og þjónar sem skyndiminni fyrir núverandi heimslíkanið, ástand kerfisins og/eða núverandi markmið. Skammtalíkur byggja sterkan stærðfræðilegan grunn fyrir IMC og skipuleggur " aðgerðir á hávíddarmynstri sem hægt væri að nota til tölvunar." Með því að skoða mynstur sem vektora, getum við "tengið inn í hina víðfeðma þekkingu um vektora, fylki, línulega algebru og víðar. Þetta hefur sannarlega verið hefð í gervi tauganetsrannsóknum, en enn er eftir að kanna rík svæði af hávíddarmyndsetningu." Umboðsmenn sem alltaf hámarka sig með því að nota stöðugleika sem alltaf fylgja Booleanlogic eru grundvallaratriði í núverandi AIcomputing arkitektúr. En ég held því fram að við þurfum að læra af afstæðiskenningu Einsteins, ófullkomleikakenningu Gödels og afmörkuðu skynsemiskenningu Simons, þar sem þær varpa allar ljósi á hrun algilda.

Í þessari grein kynnti ég nokkrar reiknitakmarkanir núverandi gervigreindarkerfa. Ég útskýrði að, ólíkt meginreglum klassískra líkinda, þá er rökfræði atburða ekki endilega Boolean. Ef tveir atburðir A og B eru ósamrýmanlegir, þá læra; þannig, flestir vitræna arkitektúrar innleiða það í einhverri mynd. Með skammtaskilningi getum við notað hávíddar vektora til að tákna virkni vinnsluminnis og til að takast á við viðeigandi gögn í áframhaldandi útreikningi. Líta má á ástandsvigur skammtalíkinda sem vinnsluminnisástand sem táknar trú manna á eiginleikum og þjónar sem skyndiminni fyrir núverandi heimslíkanið, ástand kerfisins og/eða núverandi markmið.

Skammtalíkur byggja sterkan stærðfræðilegan grunn fyrir IMC og skipuleggja „aðgerðir á ofvíddarmynstri sem hægt væri að nota til tölvunar. Með því að skoða mynstur sem vektora getum við

"Taktu inn í víðfeðma þekkingu um vektora, fylki, línulega algebru og víðar. Þetta hefur sannarlega verið hefð í gervi tauganetrannsóknum, en enn er eftir að kanna rík svæði af hávíddarmyndsetningu."

Umboðsmenn sem alltaf hámarka sig, nota stöðugleika sem alltaf fylgja Booleanlogic, eru grundvallaratriði fyrir núverandi gervigreind. Ekki er hægt að skilgreina samtengingu atburða A og B vegna þess að þeir flytjast ekki, í skörpum andstæðum við Booleanlogic, þar sem atburðir fara alltaf til pendlings. .

Ég lagði fram ráðleggingar um skammtalíkur og útskýrði hvernig ætti að íhuga skammtaástand sem mælikvarða á ekki-Boolean uppbyggingu vörpun rekstraraðila. Til að bera saman skammtaástand og klassískt líkindaástand útskýrði ég hvernig hægt er að nota vörpun til að lýsa tilraunum svipaðar klassískum líkum. Ég útskýrði hvernig orsakafræðileg burðarlíkön (á móti frumefnafræðilegri orsakatengingu) geta hjálpað til við að fanga meðvitaða úrvinnslu í röð. Ég útskýrði einnig hvernig notkun skammtalíkinda á vigurrými gerir það að óviðeigandi vitrænum arkitektúr fyrir IC arkitektúr.

Til að ná mannlegu AI og þróa „vélar sem hugsa sem læra og skapa“6 þarf reiknilíkön sem geta virkað á sama hátt. En mannleg hugsun, nám og sköpun er oft mjög samhengi og röð háð, og það virðist vera ruglingslegt fyrir klassísk líkinda- og nytjahámörkunarlíkön.

VIÐURKENNING

Þetta efni er byggt á vinnu sem styrkt er af National ScienceFoundation undir verðlaunum 2041788. Stutt stærðfræðiskýringu á einfaldaða prófinu og endurskoðun þess má finna í viðbótarefninu sem er fáanlegt á 10.1109/MC.2023.3242056.

HEIMILDIR

1. A. Tversky og D. Kahneman,"Extensional versus intuitive reasoning: The conjunction falacy inprobability jugment," Psychol. Rev., árg. 90, nr. 4, bls. 293–315, október 1983, doi: 10.1037/0033-295X.90.4.293.

2. A. Goyal og Y. Bengio, "Inductive biases for deep learning of higher-levelcognition," Proc. Roy. Soc. A, bindi. 478, nr. 2266, október 2022, gr. nei. 20210068, doi: 10.1098/rspa.2021.0068.

3. JR Busemeyer og P. Bruza, Quantum Models of Cognition and Decision.Cambridge, Bretlandi: Cambridge Univ.Press, 2014.

4. S. Spetalnick og A. Raychowdhury," Hagnýt hönnunarrýmisgreining á compute-in-memory withSRAM," IEEE Trans. Circuits Syst. Ég, Reg. Erindi, árg. 69, nr. 4, bls. 1466–1479, apríl 2022, doi: 10.1109/TCSI.2021.3138057.

5. P. Kanerva, "Hyperdimensional computing: An Introduction to computing in dreifður framsetning með hávíddar slembivektorum," Cogn. Comput., bindi. 1, bls.139–159, júní 2009, doi: 10.1007/s12559-009-9009-8.

6. H. Simon og A. Newell, "Heuristicproblem solving: The next advance inoperations research," Oper. Res., bindi. 6, nr. 1, bls. 1–10, jan./feb. 1958. [Á netinu]. Í boði:https://www.jstor.org/stable/167397

For more information:1950477648nn@gmail.com