寻找最佳解决方案的神经量子飞跃
解决 3x3 魔方很容易，Clifford W 的 Shantanu Chakrabartty 说。 圣华盛顿大学麦凯维工程学院 （McKelvey School of Engineering） 墨菲教授兼研究和研究生教育副院长。 路易斯。 只需学习并记住这些步骤，然后执行它们即可得出解决方案。 计算机已经擅长这种程序性问题解决。 现在，Chakrabartty 和他的合作者开发了一种工具，它可以超越程序来发现新的解决方案从物流到药物发现的复杂优化问题。 Chakrabartty 和他的合作者推出了 NeuroSA，这是一种解决问题的神经形态架构，它以人类神经生物学的功能为模型，但利用量子力学行为来找到最佳解决方案——保证——并找到比最先进的方法更可靠的解决方案。 3 月 31 日发表在《自然通讯》（Nature Communications） 上的多所大学合作努力起源于特柳赖德神经形态和认知工程研讨会，由 Chakrabartty 和第一作者 Preston M 的研究生 Zihao Chen 领导。 McKelvey Engineering 的电气和系统工程绿色系。 “我们正在寻找比以前以人类学习为模型的计算机更好的解决问题的方法，”Chakrabartty 说。 “NeuroSA 旨在解决'发现'问题，这是机器学习中最难的问题，其目标是发现新的和未知的解决方案。 在优化中，退火是在最终确定最佳解决方案之前探索不同可能的解决方案的过程。 Chakrabartty 说，Fowler-Nordheim （FN） 退火炉利用量子力学隧穿原理来有效地寻找最佳、最优的解决方案，它们是 NeuroSA 的“秘密成分”。 “在优化问题中，当系统需要转变时，策略就会发挥作用——比如当你在寻找最高的建筑物时校园，你什么时候搬到另一个地区？ “查克拉巴蒂说。 “NeuroSA 的结构是神经形态的，就像我们的大脑结构一样，有神经元和突触，但它的搜索行为是由 FN 退火器决定的。 神经和量子之间的关键桥梁使 NeuroSA 如此强大，并使我们能够保证如果有足够的时间，我们会找到解决方案。 ：当让 NeuroSA 寻找最佳解决方案的时间表可能范围内时，这种保证就变得尤为重要从几天到几周，甚至更长，具体取决于问题的复杂程度。 在这篇论文中，Chakrabartty 的团队与 SpiNNcloud Systems 的研究团队合作，已经证明 NeuroSA 可以在 SpiNNaker2 神经形态计算平台上实现，证明了其实际可行性。 接下来，Chakrabartty 预计该工具可能应用于优化供应链、制造和运输服务中的物流，或通过探索来发现新药最佳蛋白质折叠和分子构型。 这项工作得到了美国的部分支持。 美国国家科学基金会（ECCS：2332166 和 FET：2208770）、德国联邦教育和研究部、“SpiNNode”项目下的 EIC 过渡、“SpiNNode”项目下的 EIC 过渡、欧洲地平线项目“PRIMI”、意大利国家恢复和复原力计划 （NRRP）、美国 能源部科学办公室、能源效率和可再生能源高级办公室制造和材料技术办公室和 SLAC 国家实验室。 SpiNNaker2 是 SpiNNcloud Systems 的一个神经形态硬件加速器平台，SpiNNcloud Systems 是一家商业实体，一些合著者与该实体有隶属关系和经济利益。 基于 Fowler-Nordheim 的动力系统的专利和知识产权由位于圣的华盛顿大学管理。 路易斯。