Kognisi Kuantum: Seni Bina Kognitif Untuk AI Manusia dan Pengkomputeran Dalam Memori Bahagian 1

Artikel ini memfokuskan pada kecerdasan buatan manusia (AI): "mesin yang berfikir, yang belajar, dan yang mencipta". Saya menekankan beberapa isu yang telah membawa kepada kemajuan tidak seimbang dalam AI (lebih banyak kemajuan dalam kecerdasan buatan dan kurang kemajuan) dan memperkenalkan kognisi kuantum sebagai seni bina kognitif yang berdaya maju untuk AI manusia dan perkakasan yang sedang berkembang.

Dalam beberapa tahun kebelakangan ini, dengan perkembangan pesat teknologi kecerdasan buatan, semakin ramai orang mula memberi perhatian kepada hubungan antara kecerdasan buatan dan ingatan. Hubungan antara keduanya tidak dapat dipisahkan.

Kecerdasan buatan boleh mensimulasikan proses ingatan manusia, membolehkan mesin mengingati maklumat dan menyimpan serta mendapatkannya seperti manusia. Dalam pengertian ini, teknologi kecerdasan buatan telah banyak mengembangkan keupayaan ingatan manusia. Sebagai contoh, kecerdasan buatan boleh membantu kita dengan pertuturan dan pengecaman imej, dengan itu membantu kita mengingati dan memahami maklumat dengan lebih berkesan.

Sebaliknya, keupayaan ingatan manusia juga boleh memberikan inspirasi penting untuk pembangunan kecerdasan buatan. Keupayaan ingatan manusia boleh membantu kita mengurus dan menganalisis data dengan lebih baik serta menemui perkaitan dan corak antara data. Kebolehan ini juga boleh diubah menjadi algoritma dan program untuk membantu komputer memproses dan menggunakan data dengan lebih baik. Oleh itu, keupayaan ingatan manusia adalah penting untuk pembangunan kecerdasan buatan.

Ringkasnya, hubungan antara kecerdasan buatan dan ingatan saling menguatkan. Mereka saling melengkapi dan bersama-sama mempromosikan kemajuan teknologi dan sosial. Marilah kita menghadapi perkembangan kecerdasan buatan dan ingatan secara positif, dengan sikap optimis, dan percaya bahawa ia boleh membawa masa depan yang lebih baik. Dapat dilihat bahawa kita perlu meningkatkan daya ingatan kita, dan Cistanche deserticola boleh membantu kita meningkatkan daya ingatan dengan ketara kerana Cistanche deserticola ialah bahan perubatan tradisional Cina yang mempunyai banyak kesan unik, salah satunya adalah untuk meningkatkan daya ingatan. Keberkesanan daging cincang berasal dari banyak bahan aktif yang terkandung di dalamnya, termasuk asid, polisakarida, flavonoid, dll. Bahan-bahan ini boleh menggalakkan kesihatan otak dalam pelbagai cara.

Klik tahu 10 cara untuk meningkatkan ingatan

Kebanyakan seni bina kognitif, iaitu, model penaakulan manusia dalam penyelidikan kecerdasan buatan(AI), tidak semestinya cuba memodelkan proses penaakulan manusia. Mereka menganggap manusia adalah agen rasional, iaitu, pemaksimum utiliti, yang sentiasa mengikut logik Boolean, yang membayangkan bahawa peristiwa sentiasa boleh digabungkan (contohnya, melalui logicalconjunction) dalam sebarang susunan. Mereka cuba menempatkan persamaan unit aritmetiklogik (ALU) dalam otak manusia, dan mengocok data untuk menjadikannya bebas dan teragih serupa (IID). Bahagian berikut menunjukkan butiran lanjut.

ISU DENGAN KEBARANGKALIAN KLASIK DALAM PENAAKUAN

Teori kebarangkalian klasik dan aksiom Kolmogorov yang diterima secara meluas mengikut logik Boolean. Ini menunjukkan bahawa logik peristiwa adalah komutatif dan peristiwa sentiasa serasi. Iaitu, A dan B adalah sama dengan B dan A, dan pengukuran serentak A dan B, atau B dan A tidak akan menyebabkan gangguan.

Logik ini berfungsi dengan baik untuk acara yang serasi. Sebagai contoh, mula-mula mengukur ketinggian anda dan kemudian berat anda, mula-mula mengukur berat anda dan kemudian ketinggian anda, atau secara serentak mengukur ketinggian dan berat anda semuanya menghasilkan keputusan yang sama.

Tetapi realitinya ialah peristiwa mungkin tidak serasi, iaitu, penilaian bergantung kepada perintah, dan gangguan boleh berlaku. Sebagai contoh, pertimbangkan soalanA: "Adakah anda akan ke Florida?" dan soalan B: "Adakah anda mendengar ada badai yang akan datang ke Florida?" Mula-mula meminta jawapan kepada soalan A dan kemudian soalanB, atau mula-mula meminta jawapan kepada soalan B dan kemudian soalan A, atau bertanya soalan A dan B secara serentak dan kemudian meminta jawapan boleh menghasilkan jawapan yang berbeza.

Selain itu, kata hubung Boolean boleh dianggap sebagai lebih mewakili daripada satu juzuknya dan mengubah penaakulan manusia. Berikut adalah contoh ringkas.

Anggapkan bahawa Bob telah dikenal pasti sebagai suspek mengeksploitasi kerentanan sifar hari. Juga, anggap bahawa mengeksploitasi kelemahan sedemikian sering diperhatikan oleh ahli kumpulan penggodaman terkenal yang dipanggil H. Kemudian, yang manakah senario berikut kelihatan lebih berkemungkinan?

1. Bob adalah seorang penggodam yang mahir.

2. Bob ialah penggodam yang mahir dan ahli kumpulan H.

Secara intuitif, senario 2 boleh dianggap lebih berkemungkinan. Tetapi dengan logik Boolean dan teori kebarangkalian klasik, kebarangkalian dua peristiwa berlaku bersama tidak boleh lebih besar daripada kebarangkalian satu peristiwa. Kami menganggap senario 2sebagai lebih berkemungkinan daripada senario1 kerana kekeliruan kata hubung, bias kognitif yang dikenal pasti oleh Tversky dan Kahneman1 yang menjelaskan bahawa manusia biasanya lebih cenderung untuk mempercayai cerita terperinci dengan butiran eksplisit berbanding cerita padat pendek. Penyerang pancingan data telah mendapat banyak manfaat daripada berat sebelah ini dengan terlebih dahulu menyediakan sasaran mereka dengan penerangan yang jelas dan terperinci tentang peristiwa yang memerlukan perhatian segera dan kemudian meminta mereka mengklik pautan.

PEMBELAJARAN TIDAK SEDAR

Goyal dan Bengio2 berpendapat bahawa untuk mencapai AI manusia, kita perlu beralih daripada sistem 1/pemprosesan tersirat/tidak sedar kepada pemprosesan sistem 2/eksplisit/sedar. Operasi Sistem 1 adalah sama seperti semasa kita memandu di kawasan kejiranan yang tidak dikenali, di mana kita boleh menjadi pantas dan tidak sedarkan diri. Operasi Sistem 2 adalah sama seperti apabila kita memandu di kawasan kejiranan yang tidak dikenali dan perlu perlahan dan sedar dan mungkin memerlukan perundingan juga.

Cadangan Goyal danBengio memerlukan "pemprosesan sedar berjujukan" dan mempertimbangkan "perhatian sebagai memilih pengiraan yang berurutan untuk dilakukan pada kuantiti apa." Walau bagaimanapun, seperti yang dibincangkan secara ringkas, kebarangkalian klasik mempunyai had utama dengan pemprosesan berjujukan. Ia menganggap bahawa semua peristiwa adalah serasi dan tidak menganggap kesan tertib.

Sebagai contoh, untuk mengelakkan pemasangan berlebihan (memberi terlalu banyak perhatian kepada set data tertentu yang dilatih), komuniti pembelajaran mesin mengocok data untuk menjadikannya IID. Tetapi realitinya ialah data tidak sampai kepada kami sebagai IID.2

"Alam semula jadi tidak mengocok data, dan kami tidak sepatutnya. Apabila mengocok data, kami memusnahkan maklumat berguna tentang perubahan dalam pengedaran yang wujud dalam data yang kami kumpulkan dan mengandungi maklumat tentang struktur penyebab."

KEBARANGKALIAN KUANTUM UNTUK PENAAKULAN DAN INFERENS

Saya mengesyorkan kognisi kuantum3sebagai alternatif yang berdaya maju untuk seni bina kognitif yang menggunakan penaakulan dan inferens klasik. Kognisi kuantum adalah berbeza daripada minda kuantum. Ia tidak mengikut andaian bahawa terdapat sesuatu seperti kuantum berlaku di dalam otak tetapi mengambil inspirasi daripada struktur matematik teori kuantum dan prinsip dinamiknya. Sebagai contoh, ituses kebarangkalian kuantum—pemodelan kognisi menggunakan teori kebarangkalian daripada mekanik kuantum, tanpa sebarang fizik.

Bahagian berikut menunjukkan ciri contoh kebarangkalian kuantum yang menjadikannya sesuai untuk perisian dan perkakasan AI manusia.

MENANGKAP KETIDAKSARAAN

Kebarangkalian kuantum, tidak seperti kebarangkalian klasik, menganggap semua soalan adalah serasi, dan boleh menangkap ketidakserasian. Kebarangkalian kuantum menggunakan ruang vektor dan subruang yang serupa dengan penggunaan ruang sampel dan peristiwa kebarangkalian klasik (iaitu subset ruang sampel), masing-masing. Ruang vektor mengandungi semua kemungkinan hasil untuk soalan. Vektor yang mewakili hasil soalan merangkumi subruang 1D, dipanggil sinar, dan set kepercayaan seseorang tentang soalan diwakili oleh vektor panjang unit, dipanggil vektor keadaan. Kebarangkalian kuantum juga menggunakan proses pemetaan, yang dipanggil unjuran, dan kebarangkalian yang diberikan kepada peristiwa sama dengan panjang kuasa dua unjuran. Untuk mengira gabungan hasil soal jawab, kebarangkalian kuantum menggunakan unjuran berjujukan. Ini membolehkan membezakan antara pesanan, iaitu projek A dan kemudian projek B mempunyai hasil yang berbeza daripada projekB dan kemudian projek A.

Mengkaji semula contoh yang dipermudahkan

Di sini, kami menyemak semula contoh ringkas kami untuk menggambarkan bagaimana kebarangkalian kuantum, menggunakan ruang vektor, boleh menggambarkan kekeliruan konjungsi dalam penaakulan manusia. Dalam Rajah 1, anak panah biru mewakili "Bob menjadi penggodam mahir" oleh B dan penafiannya dengan ~/B. Begitu juga, anak panah oren mewakili "menjadi ahli kumpulan H" dengan H dan penafiannya dengan ~/ H. S, vektor keadaan, mewakili keadaan kepercayaan kita tentang pencirian Bob dan diwakili oleh anak panah hitam. Dalam Rajah 1, laluan unjuran ditunjukkan oleh garis putus-putus hijau dan merah.

Kebarangkalian dikira sebagai panjang kuasa dua unjuran vektor keadaan pada paksi yang sepadan dan ditunjukkan dengan panjang persegi hijau dan merah. Unjuran pada sinar B ditunjukkan oleh garis putus-putus hijau, dan kebarangkalian (B) bersamaan dengan panjang kuasa dua bar ini, ditunjukkan oleh panjang segi empat hijau. Untuk kebarangkalian (B danH), kita perlu mengikuti dua langkah, seperti yang ditunjukkan oleh dua garis putus-putus merah. Mula-mula, kita unjurkan vektor keadaan pada sinar H. Kedua, kami menayangkan unjuran sebelumnya ini pada sinar B. Kemudian, kebarangkalian bagi (B dan H) ialah panjang kuasa dua unjuran terakhir, ditunjukkan dengan panjang persegi merah.

Dalam Rajah 1, kebarangkalian jujukan bagi (B dan H) adalah lebih besar daripada kebarangkalian satu peristiwa, iaitu, kebarangkalian bagi (B), sepadan dengan panjang persegi merah lebih panjang daripada panjang persegi hijau. Ini adalah kerana kekeliruan kata hubung yang membawa kepada persepsi senario 2 sebagai lebih berkemungkinan daripada senario 1. Kita boleh mengaitkan ketidakserasian (B danH), yang membawa kepada gangguan mereka, kepada keterwakilan heuristik (pintasan mental); kata hubung nampaknya lebih mewakili daripada salah satu konstituennya, dan menjadi ahli H boleh lebih mudah untuk dibayangkan atau diambil daripada Bob sebagai kategori inklusif. Untuk huraian matematik contoh ini, lihat bahan tambahan yang terdapat di10.1109/MC.2023.3242056.

Keupayaan kebarangkalian kuantum untuk menangkap ketidakserasian juga boleh memainkan peranan penting dalam membangunkan struktur sebab bagi AII manusia, khususnya apabila kita berhadapan dengan peristiwa yang tidak serasi dengan menyusun situasi kompleks dengan sejumlah besar data daripada pelbagai sumber. Dalam situasi sedemikian, kita memerlukan model struktur sebab untuk mendedahkan mekanisme asas data berbanding aruhan sebab unsur, iaitu, memodelkan hubungan sebab-akibat tunggal, menggunakan kebarangkalian klasik. Dalam situasi yang begitu kompleks, kebarangkalian kuantum boleh menyediakan satu cara untuk memformalkan idea penaakulan kausal setempat secara struktur dengan bekerja dengan kejadian yang tidak serasi, menampal bersama ruang sampel dan membentuk ruang vektor.

Sebagai contoh, andaikan kita perlu membuat pertimbangan ramalan, iaitu, mencari kebarangkalian bersyarat bagi kesan yang diberikan sebab, atau P (kesan|sebab), dalam masalah kompleks dengan jumlah data yang besar, di mana susunan ketibaan data penting. Kebarangkalian kuantum membolehkan kita memecahkan masalah kepada masalah yang lebih kecil dengan menjawab pertanyaan seperti:

P (kesan|sebab1, tiada sebab alternatif),P (kesan|sebab1, sebab2),P (kesan|sebab2, sebab1), dsb.

KEBARANGKALIAN KUANTUM FORIN-MEMORY COMPUTING

Kebarangkalian kuantum menggunakan ruang vektor, serupa dengan seni bina simbolik vektor rangka kerja pengkomputeran (VSA), juga dikenali sebagai pengkomputeran hiperdimensi, yang merupakan pusat kepada perkakasan yang muncul, contohnya, pengkomputeran dalam memori (IMC). Dalam seni bina von Neumann konvensional, memori dan pemproses adalah berasingan, dan pengiraan memerlukan data untuk dialihkan ke sana ke mari. Tetapi dengan seni bina IMC menggunakan "pendaraban vektor-matriks," 4 memori dan pemproses digabungkan, dan pengiraan dilakukan di mana data disimpan dengan pergerakan data yang minimum. Itu menjadikan IMC, berbeza dengan seni bina von Neumann konvensional, serupa dengan otak manusia, di mana ingatan dan pengiraan digabungkan. Mencari persamaan ALU dalam otak manusia adalah jangkaan yang tidak realistik.

Kebarangkalian kuantum dan IMC boleh dianggap sebagai seni bina pengiraan yang menjanjikan untuk AII manusia kerana kedua-duanya menggunakan VSA. Jadi adalah munasabah untuk mempertimbangkan kebarangkalian kuantum sebagai seni bina kognitif untuk IMC.

Berikut adalah contoh. Memori kerja dalam otak manusia adalah mekanisme untuk penyimpanan sementara maklumat yang berkaitan dengan tugas semasa. Ia penting untuk kapasiti kognitif seperti perhatian, penaakulan, dan pembelajaran; Oleh itu, kebanyakan seni bina kognitif melaksanakannya dalam beberapa bentuk. Dengan kognisi kuantum, kita boleh menggunakan vektor berdimensi tinggi untuk mewakili fungsi ingatan kerja dan menangani data yang berkaitan dalam pengiraan yang berterusan. Vektor keadaan kebarangkalian kuantum boleh dianggap sebagai keadaan ingatan berfungsi yang mewakili kepercayaan manusia tentang corak ciri dan berfungsi sebagai cache untuk model dunia semasa, keadaan sistem dan/atau matlamat semasa. Kebarangkalian kuantum membina asas matematik yang kukuh untuk IMC dan mengatur " operasi pada corak hiperdimensi yang boleh digunakan untuk pengkomputeran." Dengan melihat corak sebagai vektor, kita boleh "memperoleh pengetahuan yang luas tentang vektor, matriks, algebra linear, dan seterusnya. Ini sememangnya tradisi dalam penyelidikan jaringan saraf tiruan, namun kawasan yang kaya dengan perwakilan dimensi tinggi masih perlu diterokai." Ejen yang sentiasa memaksimumkan penggunaannya, menggunakan st r uc yang sentiasa mengikut Booleanlogic, adalah asas kepada seni bina Pengkomputeran AI sedia ada. Tetapi saya berpendapat bahawa kita perlu belajar daripada teori relativiti Einstein, teorem ketidaklengkapan Gödel, dan teori rasionaliti terikat Simon, kerana semuanya memberi penerangan tentang keruntuhan mutlak.

Dalam artikel ini, saya membentangkan beberapa had pengiraan sistem AI sedia ada. Saya menjelaskan bahawa, tidak seperti aksiom kebarangkalian klasik, logik kejadian tidak semestinya Boolean. Jika dua peristiwa A dan B tidak serasi, maka pembelajaran; Oleh itu, kebanyakan seni bina kognitif melaksanakannya dalam beberapa bentuk. Dengan kognisi kuantum, kita boleh menggunakan vektor berdimensi tinggi untuk mewakili fungsi ingatan kerja dan menangani data yang berkaitan dalam pengiraan yang berterusan. Vektor keadaan kebarangkalian kuantum boleh dianggap sebagai keadaan ingatan berfungsi yang mewakili kepercayaan manusia tentang corak ciri dan berfungsi sebagai cache untuk model dunia semasa, keadaan sistem dan/atau matlamat semasa.

Kebarangkalian kuantum membina asas matematik yang kukuh untuk IMC dan mengatur "operasi pada corak hiperdimensi yang boleh digunakan untuk pengkomputeran." Dengan melihat corak sebagai vektor, kita boleh

"Terokai pengetahuan yang luas tentang vektor, matriks, algebra linear dan seterusnya. Ini sememangnya telah menjadi tradisi dalam penyelidikan jaringan saraf tiruan, namun kawasan yang kaya dengan perwakilan dimensi tinggi masih perlu diterokai."

Ejen yang sentiasa memaksimumkan penggunaannya, menggunakan st r uc tu rest yang sentiasa mengikut Booleanlogic, adalah asas kepada AI sedia ada, gabungan peristiwa A dan B tidak boleh ditakrifkan kerana mereka tidak berulang-alik, berbeza dengan Booleanlogic, di mana peristiwa sentiasa berulang-alik. .

Saya menawarkan cadangan tentang kebarangkalian kuantum dan menerangkan cara mempertimbangkan keadaan kuantum sebagai ukuran ke atas struktur bukan Boolean pengendali unjuran. Untuk membandingkan keadaan kuantum dan keadaan kebarangkalian klasik, saya menerangkan bagaimana unjuran boleh digunakan untuk menerangkan eksperimen yang serupa dengan kebarangkalian klasik. Saya menerangkan bagaimana model struktur sebab (berbanding kausalin unsur) boleh membantu dengan menangkap pemprosesan sedar berurutan. Saya juga menerangkan bagaimana penggunaan ruang vektor kebarangkalian kuantum menjadikannya sebagai seni bina kognitif yang sesuai untuk seni bina IMC.

Mencapai AII manusia dan membangunkan "mesin yang berfikir bahawa belajar dan mencipta"6 memerlukan model pengiraan yang boleh bertindak sama. Tetapi pemikiran, pembelajaran dan penciptaan manusia selalunya sangat bergantung pada konteks dan susunan, dan itu kelihatan membingungkan kepada model kebarangkalian klasik dan pemaksimuman utiliti.

PENGAKUAN

Bahan ini adalah berdasarkan kerja yang disokong oleh Yayasan Sains Kebangsaan di bawah Anugerah 2041788. Penjelasan matematik ringkas tentang peperiksaan yang dipermudahkan dan semakan semula boleh didapati dalam bahan tambahan yang boleh didapati di 10.1109/MC.2023.3242056.

RUJUKAN

1. A. Tversky dan D. Kahneman, "Penalaran lanjutan lawan intuitif: Pertimbangan ketakbarangkalian falasi konjungsi," Psychol. Rev., jld. 90, tidak. 4, hlm. 293–315, Okt. 1983, doi: 10.1037/0033-295X.90.4.293.

2. A. Goyal dan Y. Bengio, "Kecondongan induktif untuk pembelajaran mendalam tentang kognisi peringkat tinggi," Proc. Roy. Soc. A, jld. 478,no. 2266, Okt. 2022, Seni. tidak. 20210068,doi: 10.1098/rspa.2021.0068.

3. JR Busemeyer dan P. Bruza, Model Kuantum Kognisi dan Keputusan.Cambridge, UK: Cambridge Univ.Press, 2014.

4. S. Spetalnick dan A. Raychowdhury, "Analisis ruang reka bentuk praktikal bagi pengiraan dalam ingatan denganSRAM," IEEE Trans. Sistem Litar. Saya, Reg. Kertas, jld. 69, tidak. 4, ms 1466–1479, Apr. 2022, doi: 10.1109/TCSI.2021.3138057.

5. P. Kanerva, "Pengkomputeran Hiperdimensi: Pengenalan kepada pengkomputeran dalam perwakilan teragih dengan vektor rawak berdimensi tinggi," Cogn. Pengiraan, jld. 1, ms.139–159, Jun. 2009, doi: 10.1007/s12559-009-9009-8.

6. H. Simon dan A. Newell, "Penyelesaian masalah heuristik: Penyelidikan operasi lanjutan seterusnya," Oper. Res., jld. 6, tidak. 1, ms. 1–10, Jan./Feb. 1958. [Dalam talian].Terdapat:https://www.jstor.org/stable/167397

For more information:1950477648nn@gmail.com