Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

Cuando alguna vez ha atravesado Texas o Florida durante una tormenta de nieve del sur poco común, algunas cosas pronto se vuelven caricaturescamente evidentes: sus llantas importan, sus problemas de conducción y su capacidad para navegar en situaciones climáticas cambiantes realmente importan.

Debido a que el Gran Premio de Componentes 1 de Miami culmina el 8 de mayo de 2022, no es probable que esté nevando. El pronóstico requiere cielos soleados y temperaturas entre 68 ℉ (20 ℃) ​​y 77 ℉ (25 ℃). Pero la capacidad de cada grupo de carreras para anticipar con precisión el más mínimo cambio en la temperatura del aire o de la pista puede significar la diferencia entre terminar sin puntos y abrir el champán en la plataforma de la victoria.

Lo importante para los grupos de componentes 1 es mantener sus neumáticos en la ventana de trabajo adecuada para maximizar la eficiencia.

Para hacer predicciones nítidas como un láser, Fórmula 1 de McLaren los conductores y los miembros del grupo utilizan robot de datos capacidades de series de tiempo automatizadas para pronosticar el aire y observar las temperaturas. Luego, los modelos se pueden implementar en vivo a través de una aplicación StreamLit.

Predecir la temperatura en el reloj solo unos minutos después del largo plazo permite al grupo:

  • Cambiar su técnica de neumáticos
  • Realice modificaciones para detener la peligrosa degradación de los neumáticos

¿Por qué importa tanto esto? Hacer las predicciones de temperatura adecuadas permite que las configuraciones de enfriamiento aerodinámico regulen la temperatura del automóvil. Con robot de datos capacidades de recolección de tiempo y predicciones rápidas, los valores precisos y los valores predichos son casi equivalentes.

¿Cómo puede hacer predicciones confiables sin información histórica?

En 1925, Carl Fisher, quien construyó el Indianapolis Motor Speedway en 1909, se dedicó a hacer crecer Miami Beach y convertir el área de Miami en la capital mundial de las carreras de autos de invierno. Mientras que las 500 Millas de Daytona han captado muchos de los titulares de las carreras que salen de Florida, Sunshine State finalmente será el epicentro de la Fórmula 1 mundo este mayo.

Si bien el debut en la F1 del Autódromo Internacional de Miami puede ser emocionante para los fanáticos de las carreras de Miami, representa un gran problema para los grupos de carreras. ¿Por qué? Debido a que no hay datos históricos en los que basar las predicciones para la estructura de tres,36 millas (5,41 km), una con 19 curvas, tres rectas, la posibilidad de tres zonas del sistema de descuento de arrastre (DRS) y una velocidad principal estimada de casi 200 millas por hora (320 kmh).

Entonces, ¿de dónde vendrá la información del día de la carrera?

  • McLaren viaja con su propia estación climática
  • La FIA (Federación Mundial de Vehículos) ofrece sensores en la pista que transmiten información sobre el clima y la temperatura de la pista a cada equipo de F1.

El equipo técnico de McLaren podría querer digerir y analizar rápidamente esta información para conocer el nuevo curso y sus diversas idiosincrasias.

Hablando Técnica Climática con Randy Singh

Tuve la suerte de hablar con Randy Singh, director técnico y deportivo de McLaren Racing, y hacerle preguntas sobre cómo se usa la información climática para tomar decisiones en una carrera de Componentes 1. Esto es lo que pudo compartir:

¿Cómo se utiliza la información climática el día de la carrera?

Si se anticipa que la carrera estará seca, entonces la principal información climática utilizada el día de la carrera se refiere a las temperaturas (que afectan los niveles de enfriamiento, la presión de los neumáticos, etc.) y el viento (que influye en la cantidad de carga aerodinámica/resistencia que tiene el automóvil). en variadas actitudes).

¿Se están desarrollando métodos a largo plazo utilizando información climática pronosticada?

Planificamos los métodos para las carreras con anticipación y los pronósticos de temperatura se utilizan para estimar cómo se comportarán los neumáticos en las próximas carreras. Entonces, esta información alimenta la planificación técnica de la carrera. También debemos tomar decisiones aerodinámicas y de diseño variadas antes de tiempo (p. ej., ¿qué aletas traseras deberíamos hacer?) que se basan principalmente en datos atmosféricos variados.

¿Cómo afecta la precisión de la información climática a los posibles resultados a lo largo de la carrera?

No obtener el enfriamiento adecuado será desastroso y dará como resultado un DNF. Por el contrario, hacerlo correctamente significa que puede ejecutar el paquete de carrocería más ajustado/mejor, maximizando así su ritmo.

¿Quién analiza normalmente esta información?

Es bastante diferente de las temperaturas que verifican los ingenieros de neumáticos, estrategas, ingenieros de unidades de energía, aerodinámicos, etc. y el viento está siendo examinado por ingenieros aerodinámicos, de eficiencia y de carrera.

¿Cómo se pueden mezclar las maravillas de la ingeniería con información superior y romper la toma de segundas decisiones?

Me gusta trabajar con McLaren porque tengo pasión por los componentes 1. ¿Por qué tantos científicos e ingenieros de información se apasionan por este deporte?

Si te concentras en ello, tienes destreza humana, que es simplemente tiempo de respuesta —los pilotos se preparan como pilotos e idealizan el entrenamiento que deben recibir— y puede haber una aceleración entre 4 y 6 Gs. El físico es una locura. Luego tienes estas maravillas de la ingeniería, que son increíblemente rápidas. Luego está la información que acumulan, tienen sensores en todos lados. Y creo que es simplemente con ese combo, en realidad es el jefe de actividades deportivas.

Además, ya sea que los científicos de la información crezcan o no IA continua o McLaren trabajando en el entorno intenso y agresivo de Componentes 1, cada determinación requiere un ciclo de iteración. Por eso he descubierto Ley de iteración de Boyd ser significativamente útil para priorizar el tipo de iteración. Según Boyd, la velocidad de iteración es más importante que la calidad de iteración.

John Boyd es ahora conocido Bucle OODA representa lo siguiente:

  • Declaración: recopilar información por medio de los sentidos
  • Orientación: analizar y sintetizar información para escribir su perspectiva psicológica actual
  • Elección: decidir sobre un plan de acción basado principalmente en su perspectiva psicológica actual
  • Movimiento: implementar la elección en el mundo real

Si bien el famoso ciclo OODA de Boyd surgió de sus días de lucha canina en la Guerra de Corea, también puede ser muy efectivo en los mundos de los negocios, la política, el crecimiento privado y los deportes.

McLaren itera a través de 14.000 componentes entre el inicio y el final de una temporada de carreras. Se trata de la regulación de Boyd. Se trata de iterar tan pronto como sea posible.

Si está mejorando o no algoritmos de aprendizaje automático o eliminando un nanosegundo de una vuelta de carrera, la velocidad de iteración lo es todo. Este nivel es muy pertinente para un grupo que puede hacer algo para ir antes.

Si McLaren espera reunir puntos en Miami el 8 de mayo, necesitarán controlar las temperaturas con precisión, iterar rápidamente y hacer cambios eficientes.

Siga con nosotros durante toda la temporada mientras continuamos descubriendo los diversos métodos y la experiencia que han llevado a McLaren a ganar 183 carreras, 12 campeonatos de pilotos y ocho campeonatos de constructores.

SOCIOS DE IA

Lea más sobre DataRobot y McLaren Racing Partnership


Aprende más

En cuanto al escritor

diego oppenheimer
diego oppenheimer

Vicepresidente ejecutivo de MLOps, DataRobot

Diego Oppenheimer es vicepresidente ejecutivo de MLOps en DataRobot, y anteriormente fue cofundador y director ejecutivo de Algorithmia, la plataforma empresarial de MLOps, donde ayudó a las empresas a escalar y obtener todo su potencial mediante el aprendizaje automático. Después de que DataRobot adquiriera Algorithmia en julio de 2021, ha continuado su impulso para que los modelos de ML entren en producción antes y de manera más rentable con seguridad y gobernanza de nivel empresarial. Aporta su pasión por los datos de su tiempo en Microsoft, donde envió los productos de evaluación de datos más utilizados de Microsoft, incluidos Excel, Energy Pivot, SQL Server y Energy BI. Diego tiene una licenciatura en métodos de datos y una maestría en inteligencia empresarial y análisis de información de Carnegie Mellon College.

Conoce a Diego Oppenheimer

The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultimas noticias

Cifrado simétrico de búsqueda verificable para consultas de palabras clave conjuntas en almacenamiento en la nube: lo último en inteligencia artificial | IA robótica

Published

on

Verifiable searchable symmetric encryption for conjunctive keyword queries in cloud storage

The Ultimate Managed Hosting Platform

Puntuación de crédito: Pixabay/CC0 Área pública

La mayoría de las personas tienen al menos una oscura sensación de que alguien en algún lugar está haciendo daño con las huellas de datos creadas por sus acciones en línea: es posible que el uso de una aplicación le permita a esa empresa crear un perfil de sus hábitos, o tal vez siga recibiendo adoptado por anuncios espeluznantes.

Es más grande que un sentido. Muchas empresas en el sector de la tecnología de la salud, que ofrece servicios que van desde el asesoramiento para transportar tabletas para la disfunción por déficit de atención/hiperactividad por correo—tiene prácticas de privacidad sorprendentemente filtradas.

Un informe publicado este mes por la Fundación Mozilla encontró que 26 de 32 aplicaciones de salud mental tenían protecciones laxas. Los analistas de la inspiración documentaron numerosas debilidades de sus prácticas de privacidad.

Jen Caltrider, la jefa del desafío de Mozilla, dijo que las políticas de privacidad de las aplicaciones que solía observar tocando la batería eran apenas diferentes de las políticas de las aplicaciones de salud mental que revisó la fuente, a pesar de la mejor sensibilidad de lo que hace esta última. datos.

“No me importa si alguien sabe que toco tambores dos veces por semana, pero sí me importa si alguien sabe que voy al terapeuta dos veces por semana”, dijo. “Este es simplemente otra olla de oro para ellos, para sus comerciantes”.

Lo que está en juego se ha vuelto cada vez más apremiante en la opinión pública. Las aplicaciones utilizadas por las mujeres, como los rastreadores de intervalos y otros tipos de tecnología de control de la fertilidad, actualmente son un foco de preocupación con la posible revocación de Roe v. Wade. Impulsados ​​por las redes sociales, los usuarios se exhortan unos a otros a eliminar la información guardada por estas aplicaciones, un derecho que no siempre se otorga a los usuarios de aplicaciones de salud, por temor a que la información pueda usarse contra ellos.

“Creo que estos grandes equipos de información son un día de ajuste de cuentas”, dijo el senador estadounidense Ron Wyden, D-Oregon. “Tienen que decidir: ¿van a proteger la privacidad de las mujeres que hacen negocios con ellos? ¿O principalmente van a promocionar al mejor postor?”

Contrarrestar estos temores es una moción para aumentar el uso de datos de gestión a través de leyes y reglamentos. Considerando que las enfermeras, los hospitales y diferentes Cumpliendo con las protecciones de privacidad establecidas por la Ley de Responsabilidad y Portabilidad de Seguros de Salud, o HIPAA, la floreciente industria de las aplicaciones para el cuidado de la salud tiene escudos más pequeños para los usuarios.

Aunque algunos Espero que el Puede intervenir después de años de trabajo, se está acabando el tiempo para una resolución del Congreso debido a las elecciones intermedias en el método de noviembre.

Entrar en el sector no público. Este año, un grupo de organizaciones sin fines de lucro y empresas lanzó un informe que pedía un desafío de autorregulación para proteger los datos de los pacientes cuando está fuera del sistema de atención médica, un método que los críticos comparan con el proverbial zorro cuidando el gallinero.

Los patrocinadores del desafío cuentan una historia única. La iniciativa se desarrolló durante dos años con dos equipos: Corazón por la Democracia y el Saber y Ejecutivos por la Innovación del Bienestar. Finalmente, tal esfuerzo podría ser administrado por BBB National Packages, una organización sin fines de lucro que alguna vez estuvo relacionada con Higher Enterprise Bureau.

Las empresas colaboradoras pueden mantener una variedad de información, desde datos genómicos hasta otros datos, y trabajar con aplicaciones, dispositivos portátiles u otros productos. Estas empresas se someterían a auditorías, verificaciones aleatorias y otras acciones de cumplimiento en forma alternativa para una especie de certificación o sello de aprobación. Ese ejercicio, sostuvieron los redactores, ayudaría a reparar las filtraciones de privacidad en el sistema actual.

“Es una bolsa combinada real: para personas extraordinarias, para la privacidad de la salud”, dijo Andy Crawford, asesor principal de privacidad e información en Heart for Democracy and Technology. “HIPAA tiene protecciones de privacidad respetables”, dijo. El resto del ecosistema, sin embargo, tiene lagunas.

Sin embargo, existe una duda considerable de que la propuesta del sector privado creará un sistema regulatorio viable para la información sobre salud. Muchos colaboradores, incluidas algunas de las empresas y componentes más fuertes de la iniciativa, como Apple, Google y 23andMe, abandonaron durante el proceso de gestación. (Un portavoz de 23andMe citó “puntos de ancho de banda” y señaló la participación de la empresa en la publicación de ideas de privacidad genética. Las otras dos empresas no respondieron a las solicitudes de comentarios).

Diferentes colaboradores sintieron que las ambiciones del desafío se habían inclinado hacia las actividades de la empresa. Pero esa opinión no era necesariamente común: una participante, Laura Hoffman, anteriormente de la Asociación Médica Estadounidense, dijo que las empresas con fines de lucro estaban molestas por las “restricciones que podría imponer a las prácticas empresariales valiosas que explotan tanto a las personas como a las comunidades”.

En términos generales, los planes de autorregulación funcionan como una mezcla de palo y zanahoria. La membresía dentro del marco de autorregulación “podría ser un beneficio publicitario, un beneficio agresivo”, dijo Mary Engle, vicepresidenta gubernamental de BBB National Packages. Es posible que los compradores deseen utilizar aplicaciones o productos que prometen proteger la privacidad de la persona afectada.

Pero cuando estas empresas se desvían, pregonando sus prácticas de privacidad sin realmente defender a los clientes, serán sancionados por la Tarifa Federal de Comercio. La empresa puede perseguir empresas que no residan tanto como sus garantías por debajo de su autoridad para vigilar las prácticas comerciales desleales o engañosas.

Pero hay algunas cuestiones clave, dijo Lucia Savage, experta en privacidad de Omada Health, una startup que brinda atención digital a la prediabetes y otras situaciones persistentes. Savage anteriormente fue director de privacidad de la Oficina del Coordinador Nacional de Tecnología de Información de Salud de la División de Salud y Servicios Humanos de EE. UU. “No se requiere que uno se autorregule”, mencionó. Las corporaciones pueden decidir no ser parte de. Y los clientes no sabrán buscar una certificación de excelentes prácticas.

“Las corporaciones no van a autorregularse. Simplemente no lo son. Es tanto como los formuladores de políticas”, dijo Caltrider de Mozilla. Citó su experiencia personal: enviar correos electrónicos a los contactos de privacidad enumerados por las compañías de sus pólizas de seguro, solo para ser respondida por el silencio, incluso después de tres o cuatro correos electrónicos. Más tarde, una empresa afirmó que la persona responsable de monitorear el identificador de correo electrónico se había ido y aún tenía que ser reemplazada. “Creo que eso es revelador”, dijo.

Luego está la aplicación: la FTC cubre empresas, no organizaciones sin fines de lucro, mencionó Savage. Y las organizaciones sin fines de lucro pueden comportarse tan mal como cualquier barón ladrón rapaz. Este año, una línea directa de suicidio se vio envuelta en un escándalo después de que Politico informara que había compartido con una empresa de inteligencia artificial conversaciones de texto en línea entre usuarios que contemplaban la posibilidad de autolesionarse y un servicio de chat impulsado por IA. El movimiento de la FTC puede ser pesado, y Savage se pregunta si los clientes están realmente mejor después.

Podrían verse dificultades dentro del propio marco de autorregulación propuesto. Algunas palabras clave, como “datos de salud”, no se describen completamente.

Es simple decir que cierta información, como la información genómica, es información sobre el bienestar. Es más espinoso para diferentes tipos de datos. Los investigadores están reutilizando información aparentemente extraordinaria, como el tono de la voz de 1, como un indicador del bienestar de 1. Por lo tanto, es más probable que establecer la definición correcta sea un proceso difícil para cualquier regulador.

Por ahora, las discusiones, ya sea dentro del sector privado o en las autoridades, son simplemente eso. Algunas empresas están mostrando su optimismo de que el Congreso pueda promulgar leyes de privacidad completas. “La gente necesita una red nacional legislación”, dijo Kent Walker, director ejecutivo de Google, en un evento reciente organizado por el R Road Institute, un grupo de expertos a favor del libre mercado. “Tenemos al Congreso muy cerca de aprobar una cosa”.

Eso podría ser simplemente el tónico para los críticos de un método de autorregulación, basándose en los puntos principales. Sin embargo, una serie de detalles, como quién debería implementar las disposiciones de la legislación potencial, siguen sin resolverse.

La iniciativa de autorregulación está buscando financiamiento inicial, probablemente de organizaciones filantrópicas, más allá de las cuotas o cargos que la mantendrían. Sin embargo, Engle de BBB National Packages dijo que la acción es apremiante: “Nadie sabe cuándo se moverán las leyes. No estaremos atentos a eso. Mucha de esta información se recopila y nunca se protege”.


¿Debería preocuparse de que los datos de su aplicación de seguimiento del período se utilicen en su contra?


Información de salud de Kaiser 2022. Distribuido por Tribune Content Material Company, LLC.

Cotización:
El sector privado interviene para proteger la privacidad de la salud en línea, pero los críticos dicen que realmente no se puede confiar (2022, 25 de mayo)
consultado el 25 de mayo de 2022
de https://techxplore.com/information/2022-05-private-sector-online-health-privacy.html

Este documento está sujeto a derechos de autor. Aparte de cualquier trato veraz con el objetivo de un examen o análisis personal, no
la mitad también podría ser reproducida sin el permiso por escrito. El material de contenido se proporciona únicamente para funciones de datos.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultimas noticias

El tejido autoalimentado puede ayudar a corregir la postura en tiempo real con la ayuda del aprendizaje automático: lo último en inteligencia artificial | IA robótica

Published

on

Self-powered fabric can help correct posture in real time with the help of machine learning

The Ultimate Managed Hosting Platform

Visualización de la resolución del patrón al evento de inconveniente de referencia más bajo G81, del conjunto de datos Gset. Puntuación crediticia: Schuetz, Brubaker & Katzgraber.

Los problemas de optimización combinatoria son problemas avanzados con un conjunto discreto pero masivo de opciones alcanzables. Entre los ejemplos más famosos de esos problemas se encuentran el vendedor ambulante, el empaque en contenedores y los problemas de programación del taller.

Los investigadores del Laboratorio de Opciones Cuánticas de Amazon, parte de los Laboratorios de Ciencias Aplicadas para Computadoras Portátiles Inteligentes y Superiores de AWS, desarrollaron recientemente una nueva herramienta para clasificar , basado principalmente en redes neuronales gráficas (GNN). La estrategia desarrollada por Schuetz, Brubaker y Katzgraber, revelada en Naturaleza Máquina Inteligenciapodría usarse para optimizar una gran cantidad de problemas del mundo real.

“Nuestro trabajo quedó muy impresionado por ”, Martin Schuetz, uno de los muchos investigadores que llevaron a cabo la investigación, aconsejó a TechXplore. “En nuestro trabajo diario en el Laboratorio de Opciones Cuánticas de Amazon, trabajamos junto con muchos compradores a lo largo de varios mercados verticales en su viaje para prepararse cuánticamente, es decir, prepararnos para un futuro cuando esto suceda. probablemente será comercialmente viable. La mayoría de las circunstancias de uso del comprador contienen problemas de optimización combinatoria”.

Dentro del contexto de las empresas compradoras, los problemas de optimización combinatoria pueden tener muchos tipos alternativos. Dos ejemplos notables de esos problemas son los problemas de optimización de cartera en finanzas y tareas de programación de talleres en manufactura. La optimización de la cartera de tiempo se refiere al proceso mediante el cual se selecciona la cartera perfecta o la distribución de activos para una situación particular entre un conjunto de carteras disponibles.

Los problemas de programación del taller, por el contrario, ocurren en situaciones en las que se debe llevar a cabo una serie de trabajos o tareas y hay un conjunto limitado de recursos/instrumentos para llevar a cabo estas tareas. En estas circunstancias, se le puede pedir que busque un horario óptimo que haga uso de los instrumentos disponibles para llevar a cabo las tareas en el menor tiempo posible.

Como aún se encuentra en sus primeros niveles de mejora, los investigadores han estado tratando de desarrollar herramientas de optimización que no dependan absolutamente de los sistemas informáticos cuánticos, al menos hasta que estos sistemas informáticos se vuelvan comercialmente viables. De su artículo, Schuetz y sus colegas lanzaron un enfoque de optimización basado principalmente en GNN inspirados en la física.

“Dada su escalabilidad inherente, los GNN inspirados en la física se pueden utilizar en este momento para resolver aproximadamente problemas de optimización combinatoria (a gran escala) con modelos nativos cuánticos, mientras ayudamos a nuestros clientes a prepararse cuánticamente utilizando la ilustración matemática que los dispositivos cuánticos percibir”, dijo Brubaker.

La estrategia desarrollada por Schuetz y sus colegas primero identifica el hamiltoniano (es decir, la operación de valor) que codifica los problemas de optimización precisos que uno intenta resolver. Posteriormente, asocia las variables de resolución correspondientes con nodos dentro de un gráfico.

“Nuestra idea clave es entonces delimitar las cuestiones de optimización combinatoria como tareas de clasificación de nodos no supervisados ​​mediante las cuales la GNN aprende asignaciones de color (en otros términos, espín o variables) para cada nodo”, explicó Schuetz. “Para este fin, el GNN se habilita de forma iterativa a través de una operación de pérdida personalizada que codifica el problema de optimización exacto del interés, en una correspondencia uno a uno con el hamiltoniano original, lo que ofrece una elección basada en principios para la operación de pérdida de GNN. ”

Una vez que la GNN estuvo capacitada, el equipo proyectó los valores finales de las delicadas asignaciones de nodos que produjo en laboriosas asignaciones de clase. Al final, esto les permitió resolver aproximadamente problemas de curiosidad de optimización combinatoria a gran escala.

La estrategia propuesta por Schuetz y sus colegas tiene una serie de ventajas sobre las diferentes estrategias para resolver problemas de optimización combinatoria. En particular, su técnica es extremadamente escalable, lo que significa que podría usarse para optimizar computacionalmente con un montón de cientos de miles de nodos.

“Nuestro optimizador GNN se basa en una relación matemática directa y común entre los prototípicos hamiltonianos de espín de Ising y la operación de pérdida diferenciable con la que preparamos el GNN, ofreciendo así un marco unificador para una amplia clase de problemas de optimización combinatoria y abriendo la caja de herramientas altamente efectiva de la física a los modernos enfoques de aprendizaje profundo”, dijo Brubaker. “Al fusionar ideas de la física con herramientas modernas de aprendizaje automático, sugerimos un solucionador fácil, genérico y sólido que no depende de capacidades de pérdida artesanales”.

Sorprendentemente, la estrategia ideada por Schuetz y sus colegas puede resolver problemas de optimización sin la necesidad de etiquetas de entrenamiento, que son un requisito clave para todas las estrategias de aprendizaje supervisado. Debido a que el enfoque arroja problemas de optimización como hamiltonianos de Ising, también podría ejecutarse de forma nativa en hardware cuántico.

“Ofrecemos un marco unificador e interdisciplinario para las cuestiones de optimización que viene con conocimientos de la física y las herramientas de la ciencia profunda moderna”, explicó Schuetz. “Con este marco, ahora tenemos un instrumento a nuestra disposición que es ampliamente relevante para los problemas canónicos NP-hard; Los ejemplos distinguidos incluyen la mayoría de los recortes, la cubierta de vértice mínima, las cosas más imparciales, así como las gafas giratorias Ising”.

Tarde o temprano, la nueva técnica basada en GNN lanzada por este equipo de investigadores podría usarse para resolver una gran cantidad de problemas avanzados del mundo real. cuestiones. Como es inherentemente escalable, Amazon Quantum Options Lab y AWS planean proporcionarlo a sus clientes como un instrumento que facilitaría su transición hacia las ciencias aplicadas cuánticas. De hecho, su enfoque puede permitir a los clientes planificar cada problema relacionado con circunstancias de uso específicas en un marco de modelado nativo cuántico, cada uno en escalas pequeñas y relevantes para la industria.

“Tarde o temprano, vamos a proceder al análisis conceptual, teórico, además de preguntas de análisis más utilizadas. Por un lado, ahora tenemos una serie de ideas sobre cómo se pueden mejorar y prolongar las capacidades del optimizador GNN propuesto y, por otro lado, existen numerosas circunstancias de uso que intentaremos resolver con esta nueva herramienta. Continuaremos haciendo uso de las sugerencias de los compradores para ayudarnos a conocer y priorizar nuestra agenda de análisis”, dijo Katzgraber.


Un nuevo enfoque para abordar problemas de optimización utilizando máquinas de Boltzmann


Datos adicionales:

Martin JA Schuetz et al, Optimización combinatoria con redes neuronales gráficas inspiradas en la física, Naturaleza Máquina Inteligencia (2022). DOI: 10.1038/s42256-022-00468-6

© 2022 Ciencia X Comunidad

Cotización:
Redes neuronales gráficas inspiradas en la física para resolver problemas de optimización combinatoria (2022, 25 de mayo)
consultado el 25 de mayo de 2022
de https://techxplore.com/information/2022-05-physics-inspired-graph-neural-networks-combinatorial.html

Este documento está sujeto a derechos de autor. Aparte de cualquier trato veraz con el objetivo de investigación o análisis personal, no
la mitad también podría ser reproducida sin el permiso por escrito. El material de contenido se ofrece únicamente para funciones de datos.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultimas noticias

Los informáticos sugieren que la integridad de la investigación podría estar en riesgo debido a las imágenes generadas por IA – Lo último en inteligencia artificial | IA robótica

Published

on

Computer scientists suggest research integrity could be at risk due to AI generated imagery

The Ultimate Managed Hosting Platform

Visualización de la resolución del patrón al evento de inconveniente de referencia más bajo G81, del conjunto de datos Gset. Puntuación crediticia: Schuetz, Brubaker & Katzgraber.

Los problemas de optimización combinatoria son problemas avanzados con un conjunto discreto pero masivo de opciones alcanzables. Entre los ejemplos más famosos de esos problemas se encuentran el vendedor ambulante, el empaque en contenedores y los problemas de programación del taller.

Los investigadores del Laboratorio de Opciones Cuánticas de Amazon, parte de los Laboratorios de Ciencias Aplicadas para Computadoras Portátiles Inteligentes y Superiores de AWS, desarrollaron recientemente una nueva herramienta para clasificar , basado principalmente en redes neuronales gráficas (GNN). La estrategia desarrollada por Schuetz, Brubaker y Katzgraber, revelada en Naturaleza Máquina Inteligenciapodría usarse para optimizar una gran cantidad de problemas del mundo real.

“Nuestro trabajo quedó muy impresionado por ”, Martin Schuetz, uno de los muchos investigadores que llevaron a cabo la investigación, aconsejó a TechXplore. “En nuestro trabajo diario en el Laboratorio de Opciones Cuánticas de Amazon, trabajamos junto con muchos compradores a lo largo de varios mercados verticales en su viaje para prepararse cuánticamente, es decir, prepararnos para un futuro cuando esto suceda. probablemente será comercialmente viable. La mayoría de las circunstancias de uso del comprador contienen problemas de optimización combinatoria”.

Dentro del contexto de las empresas compradoras, los problemas de optimización combinatoria pueden tener muchos tipos alternativos. Dos ejemplos notables de esos problemas son los problemas de optimización de cartera en finanzas y tareas de programación de talleres en manufactura. La optimización de la cartera de tiempo se refiere al proceso mediante el cual se selecciona la cartera perfecta o la distribución de activos para una situación particular entre un conjunto de carteras disponibles.

Los problemas de programación del taller, por el contrario, ocurren en situaciones en las que se debe llevar a cabo una serie de trabajos o tareas y hay un conjunto limitado de recursos/instrumentos para llevar a cabo estas tareas. En estas circunstancias, se le puede pedir que busque un horario óptimo que haga uso de los instrumentos disponibles para llevar a cabo las tareas en el menor tiempo posible.

Como aún se encuentra en sus primeros niveles de mejora, los investigadores han estado tratando de desarrollar herramientas de optimización que no dependan absolutamente de los sistemas informáticos cuánticos, al menos hasta que estos sistemas informáticos se vuelvan comercialmente viables. De su artículo, Schuetz y sus colegas lanzaron un enfoque de optimización basado principalmente en GNN inspirados en la física.

“Dada su escalabilidad inherente, los GNN inspirados en la física se pueden utilizar en este momento para resolver aproximadamente problemas de optimización combinatoria (a gran escala) con modelos nativos cuánticos, mientras ayudamos a nuestros clientes a prepararse cuánticamente utilizando la ilustración matemática que los dispositivos cuánticos percibir”, dijo Brubaker.

La estrategia desarrollada por Schuetz y sus colegas primero identifica el hamiltoniano (es decir, la operación de valor) que codifica los problemas de optimización precisos que uno intenta resolver. Posteriormente, asocia las variables de resolución correspondientes con nodos dentro de un gráfico.

“Nuestra idea clave es entonces delimitar las cuestiones de optimización combinatoria como tareas de clasificación de nodos no supervisados ​​mediante las cuales la GNN aprende asignaciones de color (en otros términos, espín o variables) para cada nodo”, explicó Schuetz. “Para este fin, el GNN se habilita de forma iterativa a través de una operación de pérdida personalizada que codifica el problema de optimización exacto del interés, en una correspondencia uno a uno con el hamiltoniano original, lo que ofrece una elección basada en principios para la operación de pérdida de GNN. ”

Una vez que la GNN estuvo capacitada, el equipo proyectó los valores finales de las delicadas asignaciones de nodos que produjo en laboriosas asignaciones de clase. Al final, esto les permitió resolver aproximadamente problemas de curiosidad de optimización combinatoria a gran escala.

La estrategia propuesta por Schuetz y sus colegas tiene una serie de ventajas sobre las diferentes estrategias para resolver problemas de optimización combinatoria. En particular, su técnica es extremadamente escalable, lo que significa que podría usarse para optimizar computacionalmente con un montón de cientos de miles de nodos.

“Nuestro optimizador GNN se basa en una relación matemática directa y común entre los prototípicos hamiltonianos de espín de Ising y la operación de pérdida diferenciable con la que preparamos el GNN, ofreciendo así un marco unificador para una amplia clase de problemas de optimización combinatoria y abriendo la caja de herramientas altamente efectiva de la física a los modernos enfoques de aprendizaje profundo”, dijo Brubaker. “Al fusionar ideas de la física con herramientas modernas de aprendizaje automático, sugerimos un solucionador fácil, genérico y sólido que no depende de capacidades de pérdida artesanales”.

Sorprendentemente, la estrategia ideada por Schuetz y sus colegas puede resolver problemas de optimización sin la necesidad de etiquetas de entrenamiento, que son un requisito clave para todas las estrategias de aprendizaje supervisado. Debido a que el enfoque arroja problemas de optimización como hamiltonianos de Ising, también podría ejecutarse de forma nativa en hardware cuántico.

“Ofrecemos un marco unificador e interdisciplinario para las cuestiones de optimización que viene con conocimientos de la física y las herramientas de la ciencia profunda moderna”, explicó Schuetz. “Con este marco, ahora tenemos un instrumento a nuestra disposición que es ampliamente relevante para los problemas canónicos NP-hard; Los ejemplos distinguidos incluyen la mayoría de los recortes, la cubierta de vértice mínima, las cosas más imparciales, así como las gafas giratorias Ising”.

Tarde o temprano, la nueva técnica basada en GNN lanzada por este equipo de investigadores podría usarse para resolver una gran cantidad de problemas avanzados del mundo real. cuestiones. Como es inherentemente escalable, Amazon Quantum Options Lab y AWS planean proporcionarlo a sus clientes como un instrumento que facilitaría su transición hacia las ciencias aplicadas cuánticas. De hecho, su enfoque puede permitir a los clientes planificar cada problema relacionado con circunstancias de uso específicas en un marco de modelado nativo cuántico, cada uno en escalas pequeñas y relevantes para la industria.

“Tarde o temprano, vamos a proceder al análisis conceptual, teórico, además de preguntas de análisis más utilizadas. Por un lado, ahora tenemos una serie de ideas sobre cómo se pueden mejorar y prolongar las capacidades del optimizador GNN propuesto y, por otro lado, existen numerosas circunstancias de uso que intentaremos resolver con esta nueva herramienta. Continuaremos haciendo uso de las sugerencias de los compradores para ayudarnos a conocer y priorizar nuestra agenda de análisis”, dijo Katzgraber.


Un nuevo enfoque para abordar problemas de optimización utilizando máquinas de Boltzmann


Datos adicionales:

Martin JA Schuetz et al, Optimización combinatoria con redes neuronales gráficas inspiradas en la física, Naturaleza Máquina Inteligencia (2022). DOI: 10.1038/s42256-022-00468-6

© 2022 Ciencia X Comunidad

Cotización:
Redes neuronales gráficas inspiradas en la física para resolver problemas de optimización combinatoria (2022, 25 de mayo)
consultado el 25 de mayo de 2022
de https://techxplore.com/information/2022-05-physics-inspired-graph-neural-networks-combinatorial.html

Este documento está sujeto a derechos de autor. Aparte de cualquier trato veraz con el objetivo de investigación o análisis personal, no
la mitad también podría ser reproducida sin el permiso por escrito. El material de contenido se ofrece únicamente para funciones de datos.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending