Quels sont les sciences fondamentales des mathématiques avec des applications il? Dans la capacité sociale d'aujourd'hui, l'Internet et les ordinateurs est grande, quelle que soit la distribution d'énergie, de la logistique et un grand système de traitement de données, le trafic routier, les neurones de simulation, la structure des protéines et d'autres questions, il faudra important d'améliorer la puissance de calcul. Cette capacité a une grande partie est de compter sur des puces informatiques stockées. Avec la montée en puissance de calcul de l'ordinateur, 30 ans, la loi de Moore a atteint la limite, ne peut plus se développer, la conception de matériel informatique sera confronté à goulot d'étranglement énorme!
Deux programmes informatiques pour résoudre le goulot d'étranglement: refonte majeure du matériel ou du logiciel pour améliorer
Comment le résoudre? La solution a deux, est l'utilisation des principes physiques et mathématiques de base majeure de révision du dispositif de matériel sous-jacent, l'autre est les améliorations substantielles dans les logiciels, à savoir trouver la meilleure méthode pour contourner le goulot d'étranglement pour résoudre la vitesse du matériel informatique et de la capacité de stockage.
* L'investissement dépend de deux décennies, IBM a développé un super ordinateur quantique 53 qubits
Pour la première méthode, il y a trente ans, le grand physicien Richard Feynman a proposé que système informatique quantique, en utilisant les principes de base de la mécanique quantique pour aider à calculer, mais Feynman n'a pas été particulièrement clair comment faire , mais il connaissait les principes de base de la mécanique quantique pour résoudre le problème de calcul de capacité de stockage. Jusqu'à il y a vingt ans, MIT il y avait un mathématicien appliqué appelé Peter Shor, il a proposé un algorithme, Feynman a proposé d'utiliser la factorisation de grands nombres, nous avons tous appris à l'école primaire factorisation, mais l'affacturage est de faire de grandes données une chose très difficile, essentiellement la majeure partie du système de sécurité n'utilisera des données volumineuses décomposition problème difficile à concevoir.
En 1978, les scientifiques ont proposé une méthode très bien connu: algorithme de chiffrement RSA, et maintenant tous les systèmes utilisant cette méthode, mais Peter pensé que si l'informatique quantique est réussie, les méthodes de chiffrement RSA sont tous fissurés.
Parce que l'informatique quantique est actuellement une menace pour les méthodes de sécurité communes, de sorte que les fonctionnaires du gouvernement, les régulateurs bancaires et tant de pays est très inquiet, mais il a également mis beaucoup de ressources au développement de l'informatique quantique. L'étude exige beaucoup de mathématiciens, physiciens, ingénieurs coopération avec: physicien Feynman, Petter est un mathématicien, professeur à l'école américaine ont beaucoup à faire des travaux dans ce domaine, MIT, Stanford, mis dans une expérience des ressources grande.
les entreprises américaines une plus grande échelle d'investissement, y compris IBM, Google et d'autres sociétés, y compris Microsoft, IBM a mis en recherche informatique quantique depuis des décennies, et maintenant il y a 1300 ingénieurs qui font des recherches dans ce domaine. 2018, les États-Unis ont adopté la loi, de nombreux groupes de réflexion et des représentants du gouvernement Initiatives Quantum national (INQ) croient que l'informatique quantique est comme le programme de la bombe Manhattan avant la Seconde Guerre mondiale, la relation entre la sécurité nationale, ont besoin du soutien du gouvernement. Cette année, IBM a développé un ordinateur super quantique 53 qubits, vous pouvez utiliser à travers les nuages, la NASA a récemment annoncé que Google peut être complétée par le premier supercalculateur Quantum Computing Sommet mondial de 10.000 ans à résoudre à moins de 200 secondes.
les chercheurs et les entreprises chinoises font un travail dans ce domaine, mais la physique de base et le niveau de mathématiques de base que les États-Unis, nous devons nous efforcer de les rattraper sur la recherche et le développement informatique quantique. En fait, cela nous donne aussi une leçon très importante: l'investissement ne peut pas voir cinq ou dix ans, ou même vingt ans pour voir, car IBM a investi dans l'informatique quantique depuis plus de 20 ans au moins.
Maintenant, les chercheurs ont l'intelligence artificielle avec de grandes données sur cette deuxième solution est l'utilisation de méthodes mathématiques développées.
L'intelligence artificielle est passée d'une idée au début, progressivement transformé en technologie applicable. Il y a 30 ans, nous ne sommes pas optimistes quant à l'intelligence artificielle, maintenant lentement transformé en une technologie considérée comme applicable.
l'intelligence artificielle pour se développer sur trois facteurs importants: Tout d'abord, gros volumes de données apporte des technologies Internet, le deuxième est d'utiliser l'algorithme d'apprentissage profondeur standard pour traiter les données, le troisième est super-ordinateur puissant puissance de calcul du cloud computing avec. Toutefois, lorsque la théorie mathématique, mais il n'y a pas grande percée, ce qui est à l'origine de nombreux goulets d'étranglement existent dans le domaine. La taille de la population de la Chine est l'avantage du développement de l'intelligence artificielle, dans l'application de la technologie de l'intelligence artificielle a été beaucoup de bon travail, ou même plus de papiers que les États-Unis, est un niveau avancé du monde. Mais avec les États-Unis, le Royaume-Uni est encore loin, donc nous voulons mener en théorie de l'intelligence artificielle et des algorithmes basés sur l'innovation, la théorie de base doit briser. Pour percer, assurez-vous de développer ensemble avec les disciplines connexes des mathématiques, pour être en mesure vraiment conduire.
traitement AI de grandes quantités de données, en substance, est la mathématique des statistiques, mais il n'y a pas de théorie mathématique complète pour soutenir de grands résultats d'analyse des données, un grand nombre de méthodes mathématiques encore relativement primitive, dépendance excessive de l'expérience passée, plutôt que réel de la structure mathématique inhérente. Cela a également conduit à beaucoup de l'intelligence humaine et artificielle, la force actuelle doit être pris en considération au moment du traitement de gros problèmes de données, ou même supercalculateurs d'aide de besoin. En raison du manque de soutien de la théorie mathématique, le résultat de beaucoup de grande analyse des données applique uniquement à un environnement spécifique, le manque de mobilité. Big Data est le manque aussi d'algorithmes efficaces, des algorithmes informatiques classiques ne peuvent pas être utilisés directement sur des données volumineuses. Ceci est une question très importante, nous devons comprendre.
l'apprentissage en profondeur à grande échelle a de nombreuses lacunes, comme un grand échantillon dépendant, pauvre interprétabilité, crédules et ainsi de suite, mais actuellement il n'y a pas de meilleur algorithme à la place. Pour résoudre ces problèmes, nous avons besoin d'une étude approfondie de la théorie mathématique pertinente, la compréhension mathématique de la structure interne et les principes des grandes données. Étant donné que la calculatrice est limite de vitesse Intelligence artificielle, mais de prendre une structure multi-couches pour résoudre le problème, plutôt que l'analyse réelle de la machine Boltzmann basée sur les mathématiques simples, ne peut pas identifier efficacement la solution optimale. Dans un avenir prévisible aussi, comment améliorer le matériel informatique quantique, le développement d'algorithmes mathématiques, l'intelligence artificielle et quantique quantique plus efficaces laisser l'apprentissage en profondeur devient un utilitaire, qui dépend de la profondeur de la science fondamentale et en mathématiques combinées.
Il y a quelques années, mes étudiants et mes amis me retrouver à faire des recherches en termes géométriques Il y a quarante ans, peut être appliquée à la théorie de l'intelligence artificielle, en fait, auparavant pas pensé de la science fondamentale peut être utilisé à cet égard. Ainsi, sur la base des problèmes d'ingénierie mathématique, il est vraiment important.
méthodes de calcul avancées de l'apprentissage machine et de l'intelligence artificielle, a apporté une percée importante dans le commerce de détail et de divertissement et d'autres domaines. Ces méthodes peuvent aussi avoir un impact profond sur la médecine et les soins de santé, les systèmes de soins de santé dans le monde, y compris les Etats-Unis et la Chine, ont commencé des informations cliniques seront numérisées.
Cependant, la façon d'analyser et d'utiliser ces informations toujours pas une bonne stratégie. La prochaine décennie, la contribution des données à la science médicale et l'intelligence artificielle pourrait dépasser la somme de toutes les autres technologies.
la recherche en sciences médicales en intelligence artificielle et des données deviendra un nouveau domaine de la médecine et des soins de santé.
Dans ce nouveau domaine, les sciences mathématiques et informatiques seront plus largement disponibles pour appuyer les décisions médicales. À l'heure actuelle, de nombreux systèmes de santé les chercheurs ne sont pas au courant, ou sous-estimés l'impact.
Nous voulons appliquer la technologie la plus avancée de l'informatique à grande base de données médicales pertinentes, obtenir de l'information efficace et d'appliquer aux services médicaux, le diagnostic clinique et la recherche médicale pertinente.
Afin d'être mieux l'intelligence artificielle et de mathématiques appliquées appliquées à la recherche médicale et les soins de santé, le besoin de partager différentes disciplines collaborent.
Mathématiques, informatique médicale, informatique, biostatistique, études techniques seront indispensables. Ce serait une étude à grande échelle d'une des disciplines très différentes reliant ensemble les efforts de différentes disciplines pour compléter, il est un sujet qui peut être accompli.
le diagnostic clinique de l'intelligence artificielle, par exemple, la Chine possède la plus grande base de données cliniques du monde, nous devons apprendre à gérer et à l'utilisation de ces données, et grâce à la science informatique et de l'intelligence artificielle, nous pouvons utiliser ces données dans de nouvelles façons, de promouvoir le champ développement.
Tout d'abord, nous pouvons utiliser la machine des modèles d'apprentissage à digérer plus, ensemble de données plus riches, alors que les résultats de l'apprentissage de la machine à réexaminer la précision des modèles de prévision traditionnels, nous pouvons aussi changer l'état naturel des variables supplémentaires pour améliorer précision du modèle, cette disposition permet également une analyse plus approfondie de comment et pourquoi les nouvelles techniques et méthodes peuvent être mieux, et quelles améliorations possibles en mathématiques.
À l'heure actuelle des données scientifiques et des technologies de l'intelligence artificielle a été largement appliquée dans différents domaines du diagnostic clinique, l'orientation de la chirurgie, la prévision des risques.
Dans certaines régions, la précision du diagnostic de l'ordinateur est encore plus élevé qu'un médecin, ce qui est excellent progrès, l'impact considérable sur la pratique clinique, il est encore ce succès ont poussé les chercheurs motivés. changement plus médicaux futurs, les progrès seront plus dépendants de la technologie et percée d'intelligence artificielle théorie mathématique, ce qui est dans le doute.
Auteur: Shing-Tung Yau Lu Lu Yuan: Rédacteur en chef Editeur: Li Nian Source: sciences humaines auto-mathématiques intégrés, Sina science et la technologie « tout le monde scientifique », Beijing Daily et d'autres
