ຢ່າທຳທ່າວ່າ - ຟີຊິກສ໌ເຄີຍເປັນຜູ້ທີ່ມີຄວາມສຳເລັດເກີນຄາດໝາຍໃນກຸ່ມວິຊາການ. ເຈົ້າຮູ້ບໍ່, ຜູ້ທີ່ຂຽນອິນທິກຣອລໃນເວລາກິນເຂົ້າທ່ຽງ ໃນຂະນະທີ່ພວກເຮົາຄົນອື່ນໆກຳລັງພະຍາຍາມຜ່ານການຄິດໄລ່. ແຕ່ດຽວນີ້? ຖິ້ມປັນຍາປະດິດລົງໃນໝໍ້ນ້ຳຟີຊິກສ໌ ແລະ... ມີບາງສິ່ງບາງຢ່າງແປກໆເລີ່ມຕົ້ມ. ເອົາຈິງເອົາຈັງ. ຍິນດີຕ້ອນຮັບສູ່ຮູກະຕ່າຍ: AI ສຳລັບຟີຊິກສ໌ .
ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:
🔗 quantum AI ແມ່ນຫຍັງ: ບ່ອນທີ່ຟີຊິກ, ລະຫັດ, ແລະ ຄວາມວຸ່ນວາຍຕັດກັນ
ສຳຫຼວດວິທີການທີ່ການຄອມພິວເຕີ້ quantum ລວມເຂົ້າກັບ AI ແລະ ຄວາມຊັບຊ້ອນ.
🔗 AI ທີ່ດີທີ່ສຸດສຳລັບຄະນິດສາດແມ່ນຫຍັງ: ຄູ່ມືສຸດຍອດ
ແບ່ງແຍກເຄື່ອງມື AI ອັນດັບຕົ້ນໆສຳລັບການແກ້ໄຂບັນຫາຄະນິດສາດໄດ້ຢ່າງວ່ອງໄວ.
🔗 ໃຜແມ່ນບິດາຂອງ AI?
ກວມເອົາຜູ້ບຸກເບີກທີ່ສ້າງປະຫວັດສາດປັນຍາປະດິດ.
ສະນັ້ນລໍຖ້າ - ເປັນຫຍັງ AI ຈຶ່ງເປັນເລື່ອງໃຫຍ່ຢູ່ທີ່ນີ້?
ມັນບໍ່ແມ່ນພຽງແຕ່ຂ່າວລືກ່ຽວກັບເທັກໂນໂລຢີເທົ່ານັ້ນ. ມັນມີຂໍ້ດີຫຼາຍຢ່າງຄື:
-
Pattern Hunter Supreme : AI, ໂດຍສະເພາະສັດເດຍລະສານທີ່ຮຽນຮູ້ຢ່າງເລິກເຊິ່ງເຫຼົ່ານັ້ນ, ສາມາດກວດສອບຂໍ້ມູນການທົດລອງຈຳນວນຫຼວງຫຼາຍທີ່ບໍ່ສົມເຫດສົມຜົນ (ເມື່ອເບິ່ງເຈົ້າ, CERN) ແລະຈັບເອົາສິ່ງຕ່າງໆທີ່ສະໝອງຂອງມະນຸດພຽງແຕ່... ຂ້າມໄປ.
-
ການເພີ່ມຄວາມໄວຢ່າງຫຼວງຫຼາຍ : ການຈຳລອງທີ່ເຄີຍເຮັດວຽກໄດ້ຫຼາຍມື້ດຽວນີ້ລ່ອງໄປດ້ວຍຄວາມໄວທີ່ເພີ່ມຂຶ້ນ. ຂອບໃຈ, ຕາໜ່າງປະສາດ.
-
ການສ້າງທິດສະດີດ້ວຍການບິດເບືອນ : AI ບໍ່ພຽງແຕ່ປະມວນຜົນຕົວເລກເທົ່ານັ້ນ - ມັນສາມາດ ເປັນແຮງບັນດານໃຈໃຫ້ ທິດສະດີໃໝ່ໆ. ຄ້າຍຄືກັບຜູ້ຊ່ວຍຄົ້ນຄວ້າທີ່ມີຄາເຟອີນທີ່ບໍ່ຈຳເປັນຕ້ອງນອນ.
-
ບໍ່ມີອະຄະຕິ (Ish) : ອັລກໍຣິທຶມບໍ່ໄດ້ເຮັດໃຫ້ໃຈຮ້າຍ ຫຼື ເປັນເລື່ອງການເມືອງ... ແຕ່ແມ່ນແລ້ວ, ຂໍ້ມູນການຝຶກອົບຮົມທີ່ບໍ່ດີຍັງສາມາດສ້າງຄວາມວຸ້ນວາຍໄດ້.
ສະຫຼຸບແລ້ວ? ຄວາມອິດເມື່ອຍໜ້ອຍລົງ, ຄວາມກ້າວໜ້າຫຼາຍຂຶ້ນ. ໃນທາງທິດສະດີ. ພວກເຮົາຍັງคงແກ້ໄຂຄວາມຝັນຢູ່.
ວິທີການນຳໃຊ້ AI ໃນຟີຊິກສ໌ (ເອກະສານເຄັດລັບໄວ)
| ເຄື່ອງມື / ເຕັກນິກ AI | ໃຜກຳລັງໃຊ້ມັນຢູ່ | ຄ່າໃຊ້ຈ່າຍ | ເປັນຫຍັງມັນຈຶ່ງເຢັນ |
|---|---|---|---|
| TensorFlow ສຳລັບຊິມ | ນັກສຶກສາລະດັບປະລິນຍາໂທ, ນັກຄົ້ນຄວ້າ | ຟຣີ | ຈັດການການຈຳລອງຂະໜາດໃຫຍ່ຄືກັບນັກຫຼິ້ນເກມມືອາຊີບ. |
| AlphaFold | ໂມເລກຸນ Nerds | ຟຣີມຽມ | ຄາດເດົາການພັບຂອງໂປຣຕີນ. ຄືກັບເວດມົນ. |
| PyTorch + ເລຂາຄະນິດ | ນັກຟີຊິກສາດ ML, ນັກທິດສະດີ | ຟຣີ | ດີຫຼາຍສຳລັບສິ່ງຂອງກຣາຟຄວອນຕຳ. ແຕ່ມັນຍາກ. |
| ຮາກ CERN + ຊັ້ນ AI | ຄົນອະນຸພາກ | ແບບອິດສະຫຼະ | ສອດຄ່ອງກັບຂະບວນການເຮັດວຽກຂໍ້ມູນ CERN ແບບດັ້ງເດີມໄດ້ດີ. |
| QuTiP | ນັກຄິດແບບຄວອນຕຳ | ຟຣີ | ແກ້ໄຂອາການເຈັບຫົວປະເພດ Schrödinger ໄດ້ໄວຂຶ້ນ. |
ການຈຳລອງທີ່ຍາວນານຫຼາຍອາທິດພາຍໃນເວລາພຽງບໍ່ເທົ່າໃດນາທີ? ແທ້ໆ ⏱
ລອງນຶກພາບເບິ່ງວ່າເຈົ້າກຳລັງສ້າງແບບຈຳລອງສອງກາລັກຊີທີ່ປະທະກັນ - ວັນອັງຄານແບບຄລາສສິກ, ແມ່ນບໍ? ວິທີການແບບດັ້ງເດີມອາດໃຊ້ເວລາຫຼາຍອາທິດເພື່ອຄົ້ນຫາມັນ. ແຕ່ຖ້າເພີ່ມ AI (ຄິດວ່າ: ການຮຽນຮູ້ແບບເສີມແຮງ, ເຄັດລັບການສ້າງແບບຈຳລອງ), ມັນຄືກັບການປ່ຽນຈາກໂທລະສັບພັບໄປຫາໄດຣຟ໌ warp.
ບາງຫ້ອງທົດລອງ (ຕົວຢ່າງເຊັ່ນ ລູກເຮືອຂອງ Caltech) ກຳລັງຝຶກອົບຮົມ AI ໃຫ້ ຈິນຕະນາການເຖິງ ຈັກກະວານໃໝ່. ບໍ່ແມ່ນການຈຳລອງ - ລອງນຶກພາບເບິ່ງ. ຄືກັບວ່າ, ຟີຊິກສາດຝັນໃຫ້ມີຢູ່. ພວກເຮົາບໍ່ໄດ້ຢູ່ໃນລັດ Kansas ອີກຕໍ່ໄປ.
ເມື່ອເຄື່ອງຈັກເລີ່ມແນະນຳກົດໝາຍຟີຊິກສາດ 😳
ຟັງຄືວ່າເປັນນິຍາຍວິທະຍາສາດ, ແຕ່ນັກຄົ້ນຄວ້າກຳລັງປ່ອຍໃຫ້ AI ຮ່າງ ໃໝ່ . ຄື:
-
ເຄື່ອງມືການຖົດຖອຍສັນຍາລັກທີ່ສະແດງສົມຜົນໃໝ່ໆອອກມາ.
-
ຕົວເຂົ້າລະຫັດອັດຕະໂນມັດທີ່ພົບຄວາມລຽບງ່າຍທີ່ເຊື່ອງໄວ້ໃນລະບົບທີ່ວຸ້ນວາຍ.
-
ຮູບແບບແບບ Transformer ພະຍາຍາມຂຽນເອກະສານຟີຊິກຄືນໃໝ່.
ພວກມັນມີເຫດຜົນສະເໝີໄປບໍ? ບໍ່. ບາງຄັ້ງມັນກໍ່ເປັນຄຳເວົ້າທີ່ບໍ່ເປັນຈິງທີ່ນຸ່ງເສື້ອ LaTeX. ແຕ່ອີກເທື່ອໜຶ່ງ, ພວກເຮົາທຸກຄົນບໍ່ໄດ້ໄປທີ່ນັ້ນຕອນ 2 ໂມງເຊົ້າໃນລະຫວ່າງຮອບຊິງຊະນະເລີດບໍ?
Quantum + AI = ຄວາມເປັນຈິງແມ່ນຫຍັງ?
ກົນຈັກຄວອນຕຳເຮັດໃຫ້ຫົວຂອງເຮົາສັບສົນແລ້ວ. ດຽວນີ້ປະສົມ AI ເຂົ້າກັນ ແລະ ສິ່ງຕ່າງໆກໍ່ຈະ... ລະລາຍ:
-
Quantum ML : ການໃຊ້ງານ AI ໃນ ຮາດແວ quantum. ເວີດ.
-
ການປະເມີນ Quantum ດ້ວຍ AI : ການວັດແທກໜ້ອຍລົງ, ການຄາດເດົາທີ່ສະຫຼາດກວ່າ.
-
ລະບົບປະສົມ : AI ແບບຄລາສສິກ + ເຄັດລັບ quantum = ມີພະລັງທີ່ບໍ່ຄາດຄິດ.
ສັບສົນບໍ? ແມ່ນແລ້ວ. ທ່າແຮງທີ່ຈະກ້າວໜ້າບໍ? ແມ່ນແລ້ວຄືກັນ. ແທ້ຈິງແລ້ວ, ມັນຮູ້ສຶກຄືກັບວ່າພວກເຮົາກຳລັງຂຽນໂປຣແກຣມຢູ່ໃນຮູບເງົາຂອງ Christopher Nolan.
ບໍ່ພຽງແຕ່ທິດສະດີເທົ່ານັ້ນ: ຟີຊິກສ໌ທີ່ແທ້ຈິງຂອງ AI ຊະນະ
ສິ່ງຂອງເຫຼົ່ານີ້ບໍ່ໄດ້ຖືກລັອກໄວ້ໃນຫໍຄອຍງາຊ້າງ. ຢູ່ໃນໂລກແຫ່ງຄວາມເປັນຈິງ:
-
ການຄວບຄຸມເຕົາປະຕິກອນຟິວຊັນ (ຄິດເຖິງ ITER) ໃນປັດຈຸບັນໃຊ້ AI ເພື່ອເຮັດໃຫ້ plasma ມີຄວາມໝັ້ນຄົງ. ແມ່ນແລ້ວ, plasma.
-
ຟີຊິກສາດດິນຟ້າອາກາດ ໄດ້ຮັບການຄາດຄະເນທີ່ສະຫຼາດກວ່າຍ້ອນ AI ທີ່ຮັບຮູ້ຟີຊິກສາດ.
-
ຄື້ນແຮງໂນ້ມຖ່ວງບໍ? ປັນຍາປະດິດໄດ້ຊ່ວຍດັກຈັບພວກມັນໃນຂໍ້ມູນ LIGO ທີ່ດັງກ້ອງທັງໝົດນັ້ນ.
ປາກົດວ່າ, ນີ້ບໍ່ແມ່ນພຽງແຕ່ການສະແດງອອກທາງວິຊາການເທົ່ານັ້ນ. ມັນເປັນເວດມົນທີ່ໃຊ້ໄດ້ຈິງ.
ບ່ອນທີ່ AI ຍັງຄົງເດີນທາງຜ່ານສົມຜົນຂອງມັນເອງ
ຢ່າໂຄສະນາເກີນຈິງ. ມີ ບັນ ຫາດັ່ງນີ້:
-
ໂຣກກ່ອງດຳ : AI ຈະສະແດງ “ຄຳຕອບ” ທີ່ພວກເຮົາບໍ່ເຂົ້າໃຈສະເໝີໄປ.
-
ໝູຂໍ້ມູນ : ຮູບແບບທີ່ດີຕ້ອງການຂໍ້ມູນຫຼາຍໂຕນ - ແລະຟີຊິກບໍ່ໄດ້ສົ່ງຜົນສະເໝີໄປ.
-
ອາການຫຼອນແບບແຜນ : ບາງຄັ້ງ AI ພຽງແຕ່... ພົບຮູບຮ່າງໃນກ້ອນເມກ.
ບົດຮຽນຂອງເລື່ອງ: AI ສາມາດຊຸກຍູ້ຟີຊິກໄດ້. ມັນບໍ່ສາມາດ ທົດແທນ ນັກຟີຊິກໄດ້. ເຖິງຢ່າງໃດກໍ່ຕາມ.
ສຳລັບສະໝອງທີ່ມີເວລາຈຳກັດ
AI + ຟີຊິກ = ການປະສົມຜະສານທີ່ແປກປະຫຼາດ ແລະ ມີຄວາມຫວັງສູງ. ການຈຳລອງໄວຂຶ້ນ. ທິດສະດີທີ່ກ້າຫານ. ໄຊຊະນະໃນໂລກແຫ່ງຄວາມເປັນຈິງ. ແຕ່ເຊັ່ນດຽວກັບການທົດລອງທີ່ສັບສົນໃດໆ, ສິ່ງທີ່ເຈົ້າໄດ້ຮັບແມ່ນຂຶ້ນກັບວ່າເຈົ້າຕັ້ງຄ່າມັນແນວໃດ.
ຖ້າທ່ານຮຽນຟີຊິກສາດ ແລະ ບໍ່ໄດ້ຮຽນກ່ຽວກັບ AI ບໍ? ທ່ານອາດຈະພາດການປ່ຽນແປງຮູບແບບຕໍ່ໄປ. ບໍ່ມີຄວາມກົດດັນ. 🚀