Kvantna spoznaja: kognitivna arhitektura za računalstvo čovjeka-AI i računalstvo u memoriji, 1. dio

Ovaj se članak fokusira na ljudsko-umjetnu inteligenciju (AI): "strojevi koji misle, koji uče i koji stvaraju". Osvjetljavam neka pitanja koja su dovela do neuravnoteženog napretka u umjetnoj inteligenciji (više napretka u umjetnoj, a manje u inteligenciji) i predstavljam kvantnu kogniciju kao održivu kognitivnu arhitekturu za ljudsku umjetnu inteligenciju i hardver u nastajanju.

Posljednjih godina, s brzim razvojem tehnologije umjetne inteligencije, sve više ljudi počelo je obraćati pozornost na odnos između umjetne inteligencije i pamćenja. Veza između njih dvoje je neraskidiva.

Umjetna inteligencija može simulirati proces ljudskog pamćenja, omogućujući strojevima da pamte informacije te ih pohranjuju i preuzimaju poput ljudi. U tom smislu, tehnologija umjetne inteligencije uvelike je proširila mogućnosti ljudskog pamćenja. Na primjer, umjetna inteligencija može nam pomoći u prepoznavanju govora i slike, čime nam pomaže da pamtimo i učinkovitije razumijemo informacije.

S druge strane, sposobnost ljudskog pamćenja također može biti važna inspiracija za razvoj umjetne inteligencije. Sposobnost ljudskog pamćenja može nam pomoći da bolje upravljamo i analiziramo podatke i otkrijemo povezanost i obrasce između podataka. Te se sposobnosti također mogu transformirati u algoritme i programe koji pomažu računalima da bolje obrađuju i koriste podatke. Stoga je ljudska sposobnost pamćenja ključna za razvoj umjetne inteligencije.

Ukratko, odnos između umjetne inteligencije i pamćenja uzajamno se osnažuje. One se međusobno nadopunjuju i zajednički promiču tehnološki i društveni napredak. Suočimo se s razvojem umjetne inteligencije i pamćenja pozitivno, s optimističnim stavom i vjerujmo da oni mogu donijeti bolju budućnost. Vidi se da moramo poboljšati svoje pamćenje, a Cistanche deserticola nam može značajno pomoći u poboljšanju pamćenja jer je Cistanche deserticola tradicionalni kineski ljekoviti materijal koji ima mnogo jedinstvenih učinaka, a jedno od njih je i poboljšanje pamćenja. Djelotvornost mljevenog mesa dolazi od mnogih aktivnih sastojaka koje sadrži, uključujući kiselinu, polisaharide, flavonoide itd. Ovi sastojci mogu promicati zdravlje mozga na razne načine.

Kliknite na 10 načina za poboljšanje pamćenja

Većina kognitivnih arhitektura, to jest modela ljudskog razmišljanja u istraživanju umjetne inteligencije (AI), ne pokušavaju nužno modelirati proces ljudskog razmišljanja. Oni pretpostavljaju da su ljudi racionalni agenti, to jest maksimizatori korisnosti, koji uvijek slijede Booleovu logiku, što implicira da događaji se uvijek mogu kombinirati (na primjer, putem logičke konjunkcije) bilo kojim redoslijedom. Pokušavaju locirati ekvivalent aritmetičke jedinice (ALU) u ljudskim mozgovima i miješaju podatke kako bi bili neovisni i identično distribuirani (IID). Sljedeći odjeljak prikazuje više detalja.

PROBLEMI S KLASIČNOM VJEROJATNOŠĆU U RASUĐIVANJU

Klasična teorija vjerojatnosti i široko prihvaćeni Kolmogorovljevi aksiomi slijede Booleovu logiku. To implicira da je logika događaja komutativna i da su događaji uvijek kompatibilni. To jest, A i B su isti kao B i A, a istodobna mjerenja A i B, ili B i A neće uzrokovati smetnje.

Ova logika dobro funkcionira za kompatibilne događaje. Na primjer, prvo mjerenje vaše visine, a zatim vaše težine, prvo mjerenje vaše težine, a zatim vaše visine, ili istovremeno mjerenje vaše visine i težine, sve daje isti rezultat.

Ali stvarnost je da događaji mogu biti nekompatibilni, to jest, procjena ovisi o redoslijedu i može doći do smetnji. Na primjer, razmotrite pitanje A: "Idete li na Floridu?" i pitanje B: "Jeste li čuli da Floridi dolazi oluja?" Prvo traženje odgovora na pitanje A, a zatim pitanje B, ili prvo traženje odgovora na pitanje B, a zatim pitanje A, ili postavljanje pitanja A i B istovremeno, a zatim traženje odgovora, moglo bi rezultirati različitim odgovorima.

Dodatno, Booleova konjunkcija može se percipirati kao reprezentativnija od jednog od svojih sastavnih dijelova i promijeniti ljudsko razmišljanje. Evo pojednostavljenog primjera.

Pretpostavimo da je Bob identificiran kao osumnjičenik za iskorištavanje ranjivosti nultog dana. Također, pretpostavite da su iskorištavanje takve ranjivosti često promatrali članovi poznate hakerske skupine pod nazivom H. Onda, koji se od sljedećih scenarija čini vjerojatnijim?

1. Bob je vješt haker.

2. Bob je vješt haker i član grupe H.

Intuitivno govoreći, scenarij 2 mogao bi se percipirati kao vjerojatniji. Ali s Booleovom logikom i klasičnom teorijom vjerojatnosti, vjerojatnost da se dva događaja dogode zajedno ne može biti veća od vjerojatnosti jednog događaja. Smatramo da je scenarij 2 vjerojatniji od scenarija 1 zbog pogreške u konjunkciji, kognitivne pristranosti koju su identificirali Tversky i Kahneman1 koja objašnjava da su ljudi obično skloniji vjerovati detaljnoj priči s eksplicitnim detaljima nego kratkoj sažetoj. Phishing napadači su uvelike profitirali od ove pristranosti tako što su svojim metama prvo dali eksplicitan i detaljan opis događaja koji zahtijeva hitnu pozornost, a zatim su od njih tražili da kliknu poveznicu.

NESVJESNO UČENJE

Goyal i Bengio2 tvrde da se za postizanje ljudske umjetne inteligencije moramo pomaknuti sa sustava 1/implicitna/nesvjesna obrada na sustav 2/eksplicitna/svjesna obrada. Rad sustava 1 je sličan kao kad se vozimo u poznatom susjedstvu, gdje možemo biti brzi i nesvjesni. Rad sustava 2 sličan je kao kad se vozimo u nepoznatom susjedstvu i moramo biti spori i svjesni, a možda ćemo trebati i konzultacije.

Goyalov i Bengiov prijedlog zahtijeva "sekvencijalno svjesno procesiranje" i razmatranje "pažnje kao sekvencijalnog odabira proračuna koje treba izvršiti na kojim količinama." Međutim, kao što je ukratko objašnjeno, klasična vjerojatnost ima velika ograničenja kod sekvencijalne obrade. Ona pretpostavlja da su svi događaji kompatibilni i ne uzima u obzir učinak reda.

Na primjer, kako bi se izbjeglo pretjerano prilagođavanje (obraćanje previše pažnje određenom skupu podataka na kojem se trenira), zajednica za strojno učenje miješa podatke kako bi ih učinila IID-om. Ali realnost je da nam podaci ne stižu kao IID.2

"Priroda ne miješa podatke, a mi ne bismo trebali. Kada miješamo podatke, uništavamo korisne informacije o onim promjenama u distribuciji koje su svojstvene podacima koje prikupljamo i sadrže informacije o uzročnoj strukturi."

KVANTNA VJEROJATNOST ZA RASUĐIVANJE I ZAKLJUČIVANJE

Preporučam kvantnu kogniciju3 kao održivu alternativu za kognitivne arhitekture koje koriste klasično razmišljanje i zaključivanje. Kvantna spoznaja razlikuje se od kvantnog uma. Ne slijedi pretpostavku da se u mozgu događa nešto kvantno, već se nadahnjuje matematičkom strukturom kvantne teorije i njezinim dinamičkim principima. Na primjer, koristi kvantnu vjerojatnost - modeliranje spoznaje koristeći teoriju vjerojatnosti iz kvantne mehanike, bez ikakve fizike.

Sljedeći odjeljak prikazuje primjer značajke kvantne vjerojatnosti koja je čini prikladnom za ljudski-AI softver i hardver.

HVATANJE NEKOMPATIBILNOSTI

Kvantna vjerojatnost, za razliku od klasične vjerojatnosti, pretpostavlja da su sva pitanja kompatibilna i može obuhvatiti nekompatibilna. Kvantna vjerojatnost koristi prostor vektora i podprostor slično klasičnoj vjerojatnosti koja koristi prostor uzorka i događaj (to jest, podskup prostora uzorka). Vectorspace sadrži sve moguće rezultate za pitanja. Vektor koji predstavlja ishod pitanja obuhvaća jednodimenzionalni podprostor, koji se naziva zraka, a skup uvjerenja koje osoba ima o pitanju predstavljen je vektorom jedinične duljine, koji se naziva vektor stanja. Kvantna vjerojatnost također koristi proces preslikavanja, koji se naziva projiciranje, a vjerojatnost dodijeljena događaju jednaka je kvadratu duljine projekcije. Za izračunavanje konjunkcije ishoda pitanja, kvantna vjerojatnost koristi sekvencijalnu projekciju. To omogućuje razlikovanje naloga, odnosno projekt A, a zatim projekt B, ima drugačiji ishod od projekta B, a zatim projekta A.

Ponovni pregled pojednostavljenog primjera

Ovdje ponovno razmatramo naš pojednostavljeni primjer kako bismo ilustrirali kako kvantna vjerojatnost, koristeći vektorski prostor, može ilustrirati pogrešku konjunkcije u ljudskom razmišljanju. Na slici 1, plave strelice predstavljaju "Bob je vješt haker" od strane B i njegovu negaciju sa ~/B. Slično, narančaste strelice predstavljaju "biti član grupe H" s H i njegovu negaciju s ~/ H. S, vektor stanja, predstavlja naše stanje uvjerenja o Bobovoj karakterizaciji i predstavljen je crnom strelicom. Na slici 1, putanje projekcije prikazane su zelenim i crvenim točkastim linijama.

Vjerojatnosti su izračunate kao kvadrat duljine projekcije vektora stanja na odgovarajuću os i prikazane duljinama zelenog i crvenog kvadrata. Projekcija na B zraku prikazana je zelenom točkastom linijom, a vjerojatnost (B) jednaka je kvadratu duljine ove šipke, prikazanoj zelenom kvadratnom duljinom. Za vjerojatnost (B i H), moramo slijediti dva koraka, kao što je prikazano s dvije crvene točkaste linije. Prvo projiciramo vektor stanja na H zraku. Drugo, projiciramo ovu prethodnu projekciju na B zraku. Tada je vjerojatnost (B i H) kvadrat duljine zadnje projekcije, prikazane duljinom crvenog kvadrata.

Na slici 1, sekvencijalna vjerojatnost (B i H) veća je od vjerojatnosti pojedinačnog događaja, to jest vjerojatnosti (B), što odgovara dužini crvenog kvadrata od duljine zelenog kvadrata. To je zbog pogreške konjunkcije koja je dovela do percepcije scenarija 2 kao vjerojatnijeg od scenarija 1. Možemo povezati nekompatibilnost (B i H), koja dovodi do njihove interferencije, s heuristikom reprezentativnosti (mentalni prečac); konjunkcija se čini reprezentativnijom od jednog od njezinih sastavnih dijelova, a biti članom H može se lakše zamisliti ili dohvatiti od Boba kao uključive kategorije. Za matematičko objašnjenje ovog primjera pogledajte dodatne materijale dostupne na 10.1109/MC.2023.3242056.

Sposobnost kvantne vjerojatnosti da uhvati nekompatibilnosti također može igrati važnu ulogu u razvoju uzročnih struktura za ljudsku AII, posebno kada imamo posla s nekompatibilnim događajima spajanjem složenih situacija s golemim količinama podataka iz različitih izvora. U takvim situacijama, potrebni su nam kauzalni strukturni modeli kako bismo otkrili temeljne mehanizme podataka u odnosu na elementarnu kauzalnu indukciju, to jest, modeliranje jednog uzročno-posljedičnog odnosa, koristeći klasičnu vjerojatnost. U tako složenim situacijama, kvantna vjerojatnost može pružiti način da se formalizira ideja o strukturno lokalnom uzročnom zaključivanju radom s nekompatibilnim događajima, lijepljenjem prostora uzoraka i formiranjem vektorskog prostora.

Na primjer, pretpostavimo da trebamo donijeti prediktivnu prosudbu, to jest, pronaći uvjetnu vjerojatnost učinka s obzirom na uzrok, ili P (učinak|uzrok), u složenom problemu s ogromnim količinama podataka, gdje je bitan redoslijed pristizanja podataka. Kvantna vjerojatnost omogućuje nam da razbije problem na manje probleme odgovarajući na upite kao što su:

P (posljedica|uzrok1, bez alternativnog uzroka),P (posljedica|uzrok1, uzrok2),P (posljedica|uzrok2, uzrok1), itd.

KVANTNA VJEROJATNOST ZA IN-MEMORIJSKO RAČUNALSTVO

Kvantna vjerojatnost koristi vektorski prostor, slično vektorskim simboličkim arhitekturama računalnih okvira (VSA), također poznatim kao hiperdimenzionalno računalstvo, koje je središnje za hardver u nastajanju, na primjer, računalstvo u memoriji (IMC). U konvencionalnoj von Neumann arhitekturi, memorija i procesor su odvojeni, a izračun zahtijeva da se podaci pomiču naprijed-natrag. Ali s IMC arhitekturom koja koristi "množenje vektorskih matrica,"4 memorija i procesor su spojeni, a proračuni se izvode tamo gdje su podaci pohranjeni uz minimalno kretanje podataka. To čini IMC, za razliku od konvencionalne von Neumannove arhitekture, sličnim ljudskom mozgu, gdje memorija i izračuni su kolocirani. Lociranje ekvivalenta ALU u ljudskom mozgu je nerealno očekivanje.

Kvantna vjerojatnost i IMC mogu se smatrati obećavajućim računalnim arhitekturama za ljudsku umjetnu inteligenciju jer obje koriste VSA. Stoga je razumno kvantnu vjerojatnost smatrati kognitivnom arhitekturom za IMC.

Evo primjera. Radno pamćenje u ljudskom mozgu je mehanizam za privremeno pohranjivanje informacija vezanih uz trenutni zadatak. Kritično je za kognitivne sposobnosti kao što su pažnja, rasuđivanje i učenje; stoga ga većina kognitivnih arhitektura implementira u nekom obliku. S kvantnom kognicijom možemo koristiti visokodimenzionalne vektore za predstavljanje funkcije radne memorije i za rad s relevantnim podacima u tekućem računanju. Vektor stanja kvantne vjerojatnosti može se smatrati stanjem radne memorije koje predstavlja ljudska uvjerenja o obrascima značajki i služi kao predmemorija za trenutni model svijeta, stanje sustava i/ili trenutne ciljeve. Kvantna vjerojatnost gradi snažnu matematičku osnovu za IMC i organizira " operacije na hiperdimenzionalnim uzorcima koji bi se mogli koristiti za računalstvo." Promatrajući uzorke kao vektore, možemo "ući u ogromnu korpus znanja o vektorima, matricama, linearnoj algebri i više od toga. Ovo je doista bila tradicija u istraživanju umjetnih neuronskih mreža, ali bogata područja visokodimenzionalnog predstavljanja tek treba istražiti." Agenti koji uvijek maksimiziraju, koristeći strukturu koja uvijek slijedi Booleanlogic, temeljni su za postojeće arhitekture umjetne inteligencije. Ali tvrdim da moramo učiti iz Einsteinove teorije relativnosti, Gödelovog teorema o nepotpunosti i Simonove teorije ograničene racionalnosti, budući da svi bacaju svjetlo na kolaps apsoluta.

U ovom sam članku predstavio neka računalna ograničenja postojećih sustava umjetne inteligencije. Objasnio sam da, za razliku od aksioma klasične vjerojatnosti, logika događaja nije nužno Booleova. Ako su dva događaja A i B nekompatibilna, tada učenje; stoga ga većina kognitivnih arhitektura implementira u nekom obliku. S kvantnom kognicijom možemo koristiti visokodimenzionalne vektore za predstavljanje funkcije radne memorije i za rad s relevantnim podacima u tekućem računanju. Vektor stanja kvantne vjerojatnosti može se smatrati stanjem radne memorije koje predstavlja ljudska uvjerenja o obrascima značajki i služi kao predmemorija za trenutni model svijeta, stanje sustava i/ili trenutne ciljeve.

Kvantna vjerojatnost gradi snažnu matematičku osnovu za IMC i organizira "operacije na hiperdimenzionalnim obrascima koji bi se mogli koristiti za računalstvo." Promatrajući uzorke kao vektore, možemo

"dotaknite se golemog korpusa znanja o vektorima, matricama, linearnoj algebri i više od toga. Ovo je doista bila tradicija u istraživanju umjetnih neuralnih mreža, ali bogata područja visokodimenzionalnog predstavljanja tek treba istražiti."

Agenti koji to uvijek maksimiziraju, koristeći strukturu koja uvijek slijedi Booleanlogic, temeljni su za postojeću umjetnu inteligenciju; konjunkcija događaja A i B ne može se definirati jer oni ne komutiraju, u oštrom kontrastu s Booleanlogicom, gdje događaji uvijek komutiraju .

Ponudio sam preporuke o kvantnoj vjerojatnosti i objasnio kako kvantna stanja smatrati mjerama preko ne-Booleove strukture operatora projekcije. Za usporedbu kvantnih stanja i klasičnih probabilističkih stanja, objasnio sam kako se projekcija može koristiti za opisivanje eksperimenata sličnih klasičnoj vjerojatnosti. Objasnio sam kako kauzalni strukturni modeli (naspram elementarne kauzalne indukcije) mogu pomoći u hvatanju sekvencijalne svjesne obrade. Također sam objasnio kako korištenje vektorskog prostora kvantne vjerojatnosti čini prikladnom kognitivnom arhitekturom za IMC arhitekturu.

Postizanje ljudske inteligencije i razvijanje "strojeva koji misle, uče i stvaraju"6 zahtijevaju računalne modele koji mogu djelovati na sličan način. Ali ljudsko razmišljanje, učenje i stvaranje često snažno ovise o kontekstu i redoslijedu, a to se čini zbunjujućim za klasične modele vjerojatnosti i maksimiziranja korisnosti.

PRIZNANJE

Ovaj materijal se temelji na radu koji je poduprla Nacionalna znanstvena zaklada pod nagradom 2041788. Kratko matematičko objašnjenje pojednostavljenog ispita i njegov ponovni pregled možete pronaći u dodatnim materijalima dostupnim na 10.1109/MC.2023.3242056.

REFERENCE

1. A. Tversky i D. Kahneman, "Extensional versus intuitive reasoning: The conjunction fallacy inprobability judgment", Psychol. Rev., sv. 90, br. 4, str. 293–315, listopad 1983, doi: 10.1037/0033-295X.90.4.293.

2. A. Goyal i Y. Bengio, "Induktivne predrasude za dubinsko učenje kognicije na višoj razini", Proc. Roy. Soc. A, sv. 478, br. 2266, listopad 2022., čl. Ne. 20210068,doi: 10.1098/rspa.2021.0068.

3. JR Busemeyer i P. Bruza, Quantum Models of Cognition and Decision. Cambridge, UK: Cambridge Univ.Press, 2014.

4. S. Spetalnick i A. Raychowdhury, "Praktična analiza prostora dizajna računala u memoriji sa SRAM-om," IEEE Trans. Krugovi Syst. Ja, reg. Radovi, knj. 69, br. 4, str. 1466–1479, travanj 2022., doi: 10.1109/TCSI.2021.3138057.

5. P. Kanerva, "Hiperdimenzionalno računalstvo: Uvod u računalstvo u distribuiranoj reprezentaciji s visokodimenzionalnim nasumičnim vektorima", Cogn. Računarstvo, knj. 1, str. 139–159, lipanj 2009., doi: 10.1007/s12559-009-9009-8.

6. H. Simon i A. Newell, "Heurističko rješavanje problema: Sljedeći napredak u istraživanju operacija", Oper. Res., sv. 6, br. 1, str. 1–10, siječanj/vel. 1958. [Online].Dostupno:https://www.jstor.org/stable/167397

For more information:1950477648nn@gmail.com