Квантовое познание: когнитивная архитектура для человеческого искусственного интеллекта и вычислений в памяти. Часть 1

В этой статье основное внимание уделяется искусственному интеллекту человека (ИИ): «машинам, которые думают, учатся и творят». Я освещаю некоторые проблемы, которые привели к несбалансированному прогрессу в области искусственного интеллекта (больше прогресса в искусственном интеллекте и меньше прогресса в интеллекте) и представляю квантовое познание как жизнеспособную когнитивную архитектуру для человеческого ИИ и нового оборудования.

В последние годы, с быстрым развитием технологий искусственного интеллекта, все больше и больше людей начали обращать внимание на взаимосвязь между искусственным интеллектом и памятью. Отношения между ними неразрывны.

Искусственный интеллект может моделировать процесс человеческой памяти, позволяя машинам запоминать информацию, хранить и извлекать ее, как люди. В этом смысле технология искусственного интеллекта значительно расширила возможности человеческой памяти. Например, искусственный интеллект может помочь нам распознавать речь и изображения, тем самым помогая нам более эффективно запоминать и понимать информацию.

С другой стороны, способность человеческой памяти также может стать важным источником вдохновения для развития искусственного интеллекта. Способности человеческой памяти могут помочь нам лучше управлять данными и анализировать их, а также обнаруживать связи и закономерности между данными. Эти способности также можно преобразовать в алгоритмы и программы, которые помогут компьютерам лучше обрабатывать и использовать данные. Таким образом, способность человеческой памяти имеет решающее значение для развития искусственного интеллекта.

Короче говоря, отношения между искусственным интеллектом и памятью взаимно усиливают друг друга. Они дополняют друг друга и совместно способствуют технологическому и социальному прогрессу. Давайте позитивно, с оптимизмом относиться к развитию искусственного интеллекта и памяти и верить, что они могут принести лучшее будущее. Видно, что нам необходимо улучшить нашу память, и цистанхе пустынный может значительно помочь нам улучшить нашу память, потому что цистанхе пустынный — это традиционное китайское лекарственное средство, обладающее множеством уникальных эффектов, одним из которых является улучшение памяти. Эффективность мясного фарша обусловлена ​​множеством содержащихся в нем активных ингредиентов, включая кислоты, полисахариды, флавоноиды и т. д. Эти ингредиенты могут способствовать здоровью мозга различными способами.

Нажмите «Узнай 10 способов улучшить память»

Большинство когнитивных архитектур, то есть моделей человеческого мышления в исследованиях искусственного интеллекта (ИИ), не обязательно пытаются моделировать процесс человеческого мышления. Они предполагают, что люди являются рациональными агентами, то есть максимизаторами полезности, которые всегда следуют булевой логике, которая подразумевает, что События всегда можно объединять (например, посредством логической связи) в любом порядке. Они пытаются найти эквивалент арифметико-логической единицы (АЛУ) в человеческом мозгу и перетасовать данные, чтобы сделать их независимыми и одинаково распределенными (IID). В следующем разделе приведены более подробные сведения.

ПРОБЛЕМЫ КЛАССИЧЕСКОГО ВЕРОЯТНОСТНОГО РАССУЖДЕНИЯ

Классическая теория вероятностей и широко принятые аксиомы Колмогорова следуют булевой логике. Это означает, что логика событий коммутативна и что события всегда совместимы. То есть A и B аналогичны B и A, и одновременные измерения A и B или B и A не будут вызывать помех.

Эта логика хорошо работает для совместимых событий. Например, измерение сначала вашего роста, а затем веса, сначала измерение веса и роста или одновременное измерение роста и веса — все это дает один и тот же результат.

Но реальность такова, что события могут быть несовместимы, то есть оценка зависит от порядка, и может произойти вмешательство. Например, рассмотрим вопрос А: «Вы собираетесь во Флориду?» и вопрос Б: «Вы слышали, что во Флориду приближается шторм?» Если сначала запросить ответ на вопрос А, а затем вопрос Б, или сначала запросить ответ на вопрос Б, а затем вопрос А, или одновременно задать вопросы А и Б, а затем запросить ответ, это может привести к разным ответам.

Кроме того, логическое соединение может восприниматься как более репрезентативное, чем одна из его составляющих, и изменять человеческое мышление. Вот упрощенный пример.

Предположим, что Боб был идентифицирован как подозреваемый в использовании уязвимости нулевого дня. Также предположим, что эксплуатацию такой уязвимости часто наблюдали члены известной хакерской группы под названием H. Тогда какой из следующих сценариев кажется более вероятным?

1. Боб — опытный хакер.

2. Боб — опытный хакер и член группы H.

Интуитивно говоря, сценарий 2 можно было бы воспринимать как более вероятный. Но с помощью булевой логики и классической теории вероятностей вероятность того, что два события произойдут вместе, не может быть больше, чем вероятность одного события. Мы воспринимаем сценарий 2 как более вероятный, чем сценарий 1, из-за ошибки конъюнкции, когнитивной предвзятости, выявленной Тверски и Канеманом1, которая объясняет, что люди обычно более склонны верить подробной истории с явными деталями, чем короткой, компактной. Фишинговые злоумышленники получили большую выгоду от этой предвзятости, сначала предоставив своим целям явное и подробное описание события, требующего немедленного внимания, а затем попросив их щелкнуть ссылку.

БЕССОЗНАТЕЛЬНОЕ ОБУЧЕНИЕ

Гоял и Бенджио2 утверждают, что для создания человеческого ИИ нам необходимо перейти от системы 1/неявная/бессознательная обработка данных к системе 2/явная/сознательная обработка данных. Работа системы 1 аналогична ситуации, когда мы едем по знакомому району, где мы можем действовать быстро и без сознания. Работа Системы 2 аналогична ситуации, когда мы едем по незнакомому району, и нам нужно действовать медленно и осознанно, а также, возможно, потребуется консультация.

Предложение Гойала и Бенджио требует «последовательной сознательной обработки» и рассмотрения «внимания как последовательного выбора, какие вычисления выполнять над какими величинами». Однако, как кратко обсуждалось, классическая вероятность имеет серьезные ограничения при последовательной обработке. Она предполагает, что все события совместимы, и не учитывает эффект порядка.

Например, чтобы избежать переобучения (уделяния слишком большого внимания конкретному набору данных, на котором оно обучается), сообщество машинного обучения перемешивает данные, чтобы сделать их IID. Но реальность такова, что данные не поступают к нам в виде IID.2

«Природа не перемешивает данные, и нам не следует этого делать. Когда мы перемешиваем данные, мы уничтожаем полезную информацию о тех изменениях в распределении, которые присущи данным, которые мы собираем, и содержат информацию о причинной структуре».

КВАНТОВАЯ ВЕРОЯТНОСТЬ ДЛЯ РАССУЖДЕНИЯ И ВЫВОДА

Я рекомендую квантовое познание3 как жизнеспособную альтернативу когнитивным архитектурам, использующим классические рассуждения и выводы. Квантовое познание отличается от квантового разума. Оно не следует предположению о том, что в мозге происходит что-то квантовое, а черпает вдохновение из математической структуры квантовой теории и ее динамических принципов. Например, он использует квантовую вероятность — моделируя познание, используя теорию вероятностей из квантовой механики, без какой-либо физики.

В следующем разделе показан пример особенности квантовой вероятности, которая делает ее подходящей для программного и аппаратного обеспечения искусственного интеллекта человека.

УПРАВЛЕНИЕ НЕСОВМЕСТИМОСТЬЮ

Квантовая вероятность, в отличие от классической вероятности, предполагает, что все вопросы совместимы, и может включать несовместимые. Квантовая вероятность использует векторное пространство и подпространство аналогично тому, как классическая вероятность использует пространство выборки и событие (то есть подмножество пространства выборки) соответственно. Векторное пространство содержит все возможные результаты ответов на вопросы. Вектор, представляющий результат вопроса, охватывает одномерное подпространство, называемое лучом, а набор убеждений человека по поводу вопроса представлен вектором единичной длины, называемым вектором состояния. Квантовая вероятность также использует процесс отображения, называемый проецированием, и вероятность, присвоенная событию, равна квадрату длины проекции. Чтобы вычислить сочетание результатов вопросов, квантовая вероятность использует последовательную проекцию. Это позволяет различать заказы, то есть проект A, а затем проект B, имеет другой результат, чем проект B, а затем проект A.

Возвращаясь к упрощенному примеру

Здесь мы возвращаемся к нашему упрощенному примеру, чтобы проиллюстрировать, как квантовая вероятность с использованием векторного пространства может проиллюстрировать ошибку конъюнкции в человеческом рассуждении. На рисунке 1 синие стрелки обозначают «Боб — опытный хакер» через B и его отрицание с помощью ~/B. Точно так же оранжевые стрелки обозначают «членство в группе H» с помощью H и его отрицания с помощью ~/HS. S, вектор состояния, представляет состояние нашего убеждения в отношении характеристики Боба и представлен черной стрелкой. На рисунке 1 пути проецирования показаны зелеными и красными пунктирными линиями.

Вероятности вычисляются как квадрат длины проекции вектора состояния на соответствующую ось и показаны длинами зеленого и красного квадратов. Проекция на луч B показана зеленой пунктирной линией, а вероятность (B) равна квадрату длины этого стержня, показанному длиной зеленого квадрата. Для определения вероятности (B и H) нам нужно выполнить два шага, как показано двумя красными пунктирными линиями. Сначала мы проецируем вектор состояния на луч H. Во-вторых, мы проецируем эту предыдущую проекцию на луч B. Тогда вероятность (B и H) равна квадрату длины последней проекции, обозначенной длиной красного квадрата.

На рисунке 1 последовательная вероятность (B и H) больше, чем вероятность одного события, то есть вероятность (B), что соответствует длине красного квадрата, превышающей длину зеленого квадрата. Это происходит из-за ошибки конъюнкции, которая привела к восприятию сценария 2 как более вероятного, чем сценарий 1. Мы можем связать несовместимость (B и H), ведущую к их взаимодействию, с эвристикой репрезентативности (мысленный ярлык); соединение кажется более репрезентативным, чем один из его составляющих, и членство в H легче представить или извлечь, чем Боб как инклюзивную категорию. Математическое объяснение этого примера см. в дополнительных материалах, доступных по адресу 10.1109/MC.2023.3242056.

Способность квантовой вероятности улавливать несовместимости также может играть важную роль в разработке причинных структур человеческого AII, особенно когда мы имеем дело с несовместимыми событиями, объединяя сложные ситуации с огромными объемами данных из различных источников. В таких ситуациях нам нужны причинно-следственные модели, чтобы раскрыть основные механизмы данных по сравнению с элементарной причинной индукцией, то есть моделированием одной причинно-следственной связи с использованием классической вероятности. В таких сложных ситуациях квантовая вероятность может предоставить способ формализовать идею структурно-локальных причинно-следственных рассуждений, работая с несовместимыми событиями, склеивая вместе выборочные пространства и формируя векторное пространство.

Например, предположим, что нам нужно вынести прогнозирующее суждение, то есть найти условную вероятность следствия с учетом причины, или P (эффект|причина), в сложной задаче с огромными объемами данных, где порядок поступления данных имеет значение. Квантовая вероятность позволяет нам разбить задачу на более мелкие, отвечая на такие вопросы, как:

P (следствие|причина1, альтернативной причины нет),P (следствие|причина1, причина2), P (следствие|причина2, причина1) и т. д.

КВАНТОВАЯ ВЕРОЯТНОСТЬ ДЛЯ ВЫЧИСЛЕНИЙ В ПАМЯТИ

Квантовая вероятность использует векторное пространство, подобное векторным символическим архитектурам вычислительной среды (VSA), также известным как гиперпространственные вычисления, которые занимают центральное место в новом аппаратном обеспечении, например, вычислениях в памяти (IMC). В традиционной архитектуре фон Неймана память и процессор разделены, и для вычислений необходимо перемещать данные туда и обратно. Но в архитектуре IMC, использующей «векторно-матричное умножение»4, память и процессор объединены, и вычисления выполняются при минимальном перемещении данных. Это делает IMC, в отличие от традиционной архитектуры фон Неймана, похожим на человеческий мозг, где память и вычисления совмещены. Обнаружение эквивалента АЛУ в человеческом мозге — нереалистичная задача.

Квантовая вероятность и IMC можно считать многообещающими вычислительными архитектурами для человеческого AII, поскольку оба используют VSA. Поэтому разумно рассматривать квантовую вероятность как когнитивную архитектуру IMC.

Вот пример. Рабочая память в мозгу человека – это механизм временного хранения информации, связанной с текущей задачей. Это имеет решающее значение для когнитивных способностей, таких как внимание, рассуждение и обучение; таким образом, большинство когнитивных архитектур реализуют его в той или иной форме. С помощью квантового познания мы можем использовать многомерные векторы для представления функции рабочей памяти и обработки соответствующих данных в текущих вычислениях. Вектор состояния квантовой вероятности можно рассматривать как состояние рабочей памяти, которое отражает представления человека о шаблонах признаков и служит кэшем для текущей модели мира, состояния системы и/или текущих целей. Квантовая вероятность создает прочную математическую основу для IMC и организует операции над гиперпространственными шаблонами, которые можно использовать для вычислений». Рассматривая шаблоны как векторы, мы можем «использовать обширный объем знаний о векторах, матрицах, линейной алгебре и многом другом. Это действительно стало традицией в исследованиях искусственных нейронных сетей, однако богатые области многомерного представления еще предстоит изучить». Агенты, которые всегда максимизируют полезность, используя структуры, которые всегда следуют булевой логике, имеют фундаментальное значение для существующих вычислительных архитектур искусственного интеллекта. Но я утверждаю, что нам нужно учиться на теории относительности Эйнштейна, теореме Гёделя о неполноте и теории ограниченной рациональности Саймона, поскольку все они проливают свет на крах абсолютов.

В этой статье я представил некоторые вычислительные ограничения существующих систем искусственного интеллекта. Я объяснил, что, в отличие от аксиом классической вероятности, логика событий не обязательно является булевой. Если два события А и Б несовместимы, то обучение; таким образом, большинство когнитивных архитектур реализуют его в той или иной форме. С помощью квантового познания мы можем использовать многомерные векторы для представления функции рабочей памяти и обработки соответствующих данных в текущих вычислениях. Вектор состояния квантовой вероятности можно рассматривать как состояние рабочей памяти, которое представляет человеческие представления о шаблонах признаков и служит кэшем для текущей модели мира, состояния системы и/или текущих целей.

Квантовая вероятность создает прочную математическую основу для IMC и организует «операции над гиперпространственными структурами, которые можно использовать для вычислений». Рассматривая шаблоны как векторы, мы можем

«Прикоснитесь к обширному объему знаний о векторах, матрицах, линейной алгебре и многом другом. Это действительно стало традицией в исследованиях искусственных нейронных сетей, однако богатые области многомерного представления еще предстоит изучить».

Агенты, которые всегда максимизируют полезность, используя структуры, которые всегда следуют булевой логике, имеют фундаментальное значение для существующего ИИ. Соединение событий A и B не может быть определено, поскольку они не коммутируют, что резко контрастирует с булевой логикой, где события всегда коммутируют. .

Я предложил рекомендации относительно квантовой вероятности и объяснил, как рассматривать квантовые состояния как меры небулевой структуры операторов проектирования. Чтобы сравнить квантовые состояния и классические вероятностные состояния, я объяснил, как можно использовать проекцию для описания экспериментов, подобных классической вероятности. Я объяснил, как причинно-структурные модели (в отличие от элементарной причинно-следственной индукции) могут помочь в фиксации последовательной сознательной обработки данных. Я также объяснил, как использование квантовой вероятности векторного пространства делает его подходящей когнитивной архитектурой для архитектуры IMC.

Достижение человеческого ИИ и разработка «машин, которые думают, которые учатся и создают»6 требуют вычислительных моделей, которые могут действовать аналогичным образом. Но человеческое мышление, обучение и творчество часто сильно зависят от контекста и порядка, и это сбивает с толку классические модели максимизации вероятности и полезности.

ПОДТВЕРЖДЕНИЕ

Этот материал основан на работе, поддержанной Национальным научным фондом в рамках премии 2041788. Краткое математическое объяснение упрощенного экзамена и его повторного посещения можно найти в дополнительных материалах, доступных по адресу 10.1109/MC.2023.3242056.

ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА

1. Тверски А., Канеман Д. Экстенсиональное и интуитивное рассуждение: суждение о невероятности ошибки конъюнкции // Psychol. Преподобный, том. 90, нет. 4, стр. 293–315, октябрь 1983 г., doi: 10.1037/0033-295X.90.4.293.

2. А. Гоял и Ю. Бенджио, «Индуктивные искажения для глубокого обучения более высокому уровню познания», Proc. Рой. Соц. А, том. 478, нет. 2266, октябрь 2022 г., ст. нет. 20210068,дои: 10.1098/rspa.2021.0068.

3. Буземейер Дж., Брюза П. Квантовые модели познания и принятия решений. Кембридж, Великобритания: Cambridge Univ.Press, 2014.

4. С. Спеталник и А. Рэйчоудхури, «Практический анализ пространства проектирования вычислений в памяти с использованием SRAM», IEEE Trans. Сист. цепей. Я, Редж. Статьи, том. 69, нет. 4, стр. 1466–1479, апрель 2022 г., doi: 10.1109/TCSI.2021.3138057.

5. П. Канерва, «Гипермерные вычисления: введение в вычисления в распределенном представлении с многомерными случайными векторами», Cogn. Вычисл., вып. 1, стр. 139–159, июнь 2009 г., doi: 10.1007/s12559-009-9009-8.

6. Саймон Х., Ньюэлл А. Эвристическое решение проблем: следующее предварительное исследование операций // Опер. Рез., том. 6, нет. 1, стр. 1–10, январь/февраль. 1958. [Онлайн]. Доступно:https://www.jstor.org/stable/167397

For more information:1950477648nn@gmail.com