[论文解读] The Future of Computing: Bits + Neurons + Qubits

Darı́o Gil, William M. J. Green|arXiv (Cornell University)|Nov 15, 2019

Quantum Computing Algorithms and Architecture参考文献 53被引用 4

一句话总结

本文提出了一种基于经典比特、人工神经元和量子量子比特集成的计算未来构想——通过结合数字逻辑、神经符号人工智能与量子计算，实现能够解决当前经典计算或仅人工智能系统无法应对问题的智能、关键任务系统。其核心贡献在于为下一代计算提供了统一愿景，可加速科学发现并实现广泛可泛化的智能。

ABSTRACT

The laptops, cell phones, and internet applications commonplace in our daily lives are all rooted in the idea of zeros and ones - in bits. This foundational element originated from the combination of mathematics and Claude Shannon's Theory of Information. Coupled with the 50-year legacy of Moore's Law, the bit has propelled the digitization of our world. In recent years, artificial intelligence systems, merging neuron-inspired biology with information, have achieved superhuman accuracy in a range of narrow classification tasks by learning from labelled data. Advancing from Narrow AI to Broad AI will encompass the unification of learning and reasoning through neuro-symbolic systems, resulting in a form of AI which will perform multiple tasks, operate across multiple domains, and learn from small quantities of multi-modal input data. Finally, the union of physics and information led to the emergence of Quantum Information Theory and the development of the quantum bit - the qubit - forming the basis of quantum computers. We have built the first programmable quantum computers, and although the technology is still in its early days, these systems offer the potential to solve problems which even the most powerful classical computers cannot. The future of computing will look fundamentally different than it has in the past. It will not be based on more and cheaper bits alone, but rather, it will be built upon bits + neurons + qubits. This future will enable the next generation of intelligent mission-critical systems and accelerate the rate of science-driven discovery.

研究动机与目标

• 阐述超越摩尔定律与经典数字系统的未来计算愿景。
• 通过提出统一学习与推理的神经符号系统，解决窄域人工智能的局限性。
• 将量子计算定位为新计算范式中的互补支柱。
• 阐明比特、神经元与量子比特的融合如何实现关键任务、以科学为导向的应用。

提出的方法

• 提出未来计算的三元基础：经典比特（数字逻辑）、人工神经元（神经网络）与量子量子比特（量子信息处理）。
• 整合信息论、神经科学与量子物理的洞见，定义一种新的计算范式。
• 将神经符号人工智能描述为深度学习与符号推理之间的桥梁，实现多领域、少样本学习。
• 强调可编程量子计算机作为新兴系统，具备解决经典计算机无法处理问题的潜力。
• 强调多模态、小样本学习在推动从窄域人工智能迈向广域人工智能中的作用。
• 将这三者的融合视为加速科学发现与现实世界应用的关键。

实验结果

研究问题

• RQ1 如何将经典计算、人工智能与量子计算统一为单一的变革性计算范式？
• RQ2 当前窄域人工智能系统的关键局限是什么，神经符号人工智能如何克服这些局限？
• RQ3 量子计算在哪些方面能够将经典系统的性能扩展到当前极限之外？
• RQ4 少量多模态数据如何使人工智能系统在不同领域间实现泛化？
• RQ5 比特、神经元与量子比特的集成将在多大程度上加速科学发现？

主要发现

• 比特、神经元与量子比特的集成构成了超越经典数字系统局限的新计算基础。
• 神经符号人工智能使系统能够在多个领域执行多种任务，并从极少量的多模态数据中学习。
• 可编程量子计算机已成功构建，并展现出解决经典计算机无法处理问题的潜力。
• 信息论、神经科学与量子物理的融合，开启了智能、关键任务系统的新时代。
• 该统一范式有望显著加速以科学为导向的发现与创新。
• 计算的未来将不再仅依赖于比特密度的提升，而是计算范式间协同整合的成果。