3月3日,西南民族大學(xué)計算機學(xué)院教授王鵬在CIO時代APP微講座作了題為《多尺度量子諧振子優(yōu)化算法》的主題分享,深度解讀了多尺度量子諧振子優(yōu)化算法在人工智能領(lǐng)域的原理及應(yīng)用。

近年來,云計算、大數(shù)據(jù)、智能計算等新概念層出不窮。多尺度量子諧振子優(yōu)化算法屬于人工智能領(lǐng)域。每一項新技術(shù)的出現(xiàn),都與當(dāng)前技術(shù)和產(chǎn)業(yè)情況相關(guān),當(dāng)云計算最早出現(xiàn)時,也是由于網(wǎng)絡(luò)及計算機技術(shù)發(fā)展到一定階段才提出的。每段新技術(shù)的出現(xiàn),并不是憑空而來的,與生產(chǎn)力和生產(chǎn)關(guān)系相適應(yīng)的。經(jīng)歷了云計算、大數(shù)據(jù)到人工智能的火熱,均不是偶然出現(xiàn)的新技術(shù),均與當(dāng)前的技術(shù)發(fā)展趨勢相關(guān)聯(lián)的。
人工智能火爆的標志是2016年阿爾法狗戰(zhàn)勝了圍棋高手李世石后,掀起了全世界研究人工智能的熱潮,但人工智能的火爆并不是單純由某一事件而引起的,是與技術(shù)發(fā)展到一定階段有關(guān)系的。當(dāng)技術(shù)發(fā)展到一定階段后,人工智能的火熱便是必然出現(xiàn)的一個結(jié)果。包括云計算、大數(shù)據(jù)技術(shù)的積累為人工智能的發(fā)展提供了很好的基礎(chǔ)。
多尺度量子諧振子優(yōu)化算法是科技組經(jīng)過多年研究提出來的。
一、人工智能的歷史
人工智能的發(fā)展經(jīng)歷了很多的起伏,最早的萌芽是從1950年“圖靈測試”的提出開始。到了1956年,人工智能界召開了達特茅斯會議,會議進行了為期兩個月的時間,提出了人工智能的概念。這次會議的召集者是麥卡錫,麥卡錫是一位非常著名的人工智能學(xué)者,被稱為“人工智能之父”。也被稱為“云計算之父”,他早在1965年左右便提出了“計算是可以作為資源提供給用戶使用”的概念,后來,麥卡錫在發(fā)明的《人工智能預(yù)言歷史》一書明確采用了大數(shù)據(jù)的概念,他是非常有遠見的,很早便對云計算、大數(shù)據(jù)技術(shù)提出遠見性的預(yù)言。
人工智能的發(fā)展并不是一帆風(fēng)順的,在1956年達特茅斯會議之后,人工智能的發(fā)展經(jīng)歷了高潮,也有低落。2016年阿爾法狗戰(zhàn)勝人類最強的圍棋棋手,將深度學(xué)習(xí)的人工智能技術(shù)重新推向了風(fēng)口,使人工智能成為產(chǎn)業(yè)界的下一個重要風(fēng)口。至此,云計算、大數(shù)據(jù)、人工智能相互融合,成為未來幾十年產(chǎn)業(yè)發(fā)展的重要領(lǐng)域。
人工智能的提出涉及到一個很重要的基礎(chǔ)。當(dāng)前,計算技術(shù)的發(fā)展與大數(shù)據(jù)技術(shù)的發(fā)展是密不可分的,阿爾法狗能戰(zhàn)勝人類與其身后具有強大的并行計算機是有關(guān)系的。同時,大數(shù)據(jù)的出現(xiàn)使我們儲備了大量知識,計算機能力及大數(shù)據(jù)的發(fā)展為人工智能再一次的繁榮提供了很好的基礎(chǔ)。因此,生產(chǎn)力必須適應(yīng)生產(chǎn)關(guān)系,人工智能的火熱并不是偶然的,是生產(chǎn)力發(fā)展到一定階段后所必然產(chǎn)生的,而阿爾法狗僅僅是觸發(fā)產(chǎn)業(yè)發(fā)展的一個契機。
二、量子力學(xué)與人工智能
采用量子理論構(gòu)造新的算法,量子力學(xué)是在二十世紀初,由一群世界上最聰明的科學(xué)家的共同努力完成的,我們一直相信,有這些人構(gòu)建起來的量子體系,定會為計算機科學(xué)起到很好的啟發(fā)作用,量子力學(xué)終結(jié)了我們認為的世界是確定性的觀點,從而使長久以來確定性的世界觀完全崩塌。
通常,很多人認為量子力學(xué)與自己無關(guān)。站在歷史的角度上看,很多計算機科學(xué)家均受到量子力學(xué)的影響,目前的計算機之父馮·諾尹曼寫出了《量子力學(xué)的教學(xué)基礎(chǔ)》,1931年圖靈認真研讀了這本書,而且早在1929年圖靈還著迷于天文學(xué)家愛丁頓所著的《物理世界的自然》一書,愛丁頓也認為“大腦也是由原子、電子組成的,量子物理或許能為人類意識、思維提供產(chǎn)生的機會和空間。”可以看出,這些科學(xué)家,尤其是計算機科學(xué)家。很早便認識到量子力學(xué)可能對自然科學(xué)提供幫助。
量子力學(xué)終結(jié)了確定性的世界觀,傳統(tǒng)的物理學(xué)認為,電子是按一定的軌道來運行的。按照電動力學(xué)的原理,如果電子按一定的軌道運行,將會在斜向方向上輻射出光澤,迅速墜落到原子核之中。只有通過量子力學(xué)將電子以概率的形式進行解釋,電子在核外是以電子云的形式存在的,而不是通常認為的概率形式,這是量子力學(xué)對物質(zhì)世界的新認識,認為物質(zhì)世界是由概率所支配的。因此,在設(shè)計新算法時充分利用這一觀點,包括量子波函數(shù)的觀點來構(gòu)造新的算法。
人工智能中的智能算法如遺傳算法、粒子群算法、蟻群算法、模擬退火算法、膜計算等,很多算法都是像自然界學(xué)習(xí),但很多算法都存在一定弊病,一方面很多算法沒有完整的數(shù)學(xué)描述,另一方面不少優(yōu)化算法都是學(xué)習(xí)自然界的表面運動現(xiàn)象?;诹孔永碚摰乃惴槲覀兲峁┝艘粋€學(xué)習(xí)自然界本質(zhì)規(guī)律的方法,通過這種方法構(gòu)造的算法有可能真正反映自然界本質(zhì)的運行規(guī)律。因此,我們一直以來堅持使用量子力學(xué)的基本原理構(gòu)造新的算法,通過利用量子力學(xué)的數(shù)學(xué)框架構(gòu)造提供非常強大的算法分析原理。
1.量子諧振子算法提出已有七年時間
2010年,提出了該算法的雛形,當(dāng)時稱之為模擬諧振子算法(SHOA)。從2010年一直持續(xù)到2016年。2013年,將MQHOA算法的基本物理模型完整提出,將算法正式定名為多尺度量子諧振子算法(簡稱為MQHOA)。隨后,在該算法的理論和應(yīng)用方面做了一些工作。特別是在2016年,將算法進行很大的改進,使算法能快速處理超高維的函數(shù)優(yōu)化問題,對一些復(fù)雜函數(shù)進行優(yōu)化處理,目前正在向上萬維的復(fù)雜函數(shù)進行優(yōu)化。
量子諧振子算法有一個很重要的等效關(guān)系,將優(yōu)化問題的目標函數(shù)轉(zhuǎn)變?yōu)檠Χㄖ@方程中約束態(tài)下的基態(tài)波函數(shù),具體如下圖所示:

但不幸的是,薛定諤方程的求解很困難,因此,采用了近似逼近,如下圖所示,由此,任意目標函數(shù)在極值附近的泰勒二級近似就是諧振子勢,對復(fù)雜目標函數(shù)進行逼近,用諧振子式代入薛定諤方程中。

算法依據(jù)波函數(shù)圖進行構(gòu)造,在高能態(tài)時要經(jīng)過多個中間能級(亞穩(wěn)態(tài))才能達到量最低態(tài)(基態(tài)),其中,亞穩(wěn)態(tài)對應(yīng)于局部最優(yōu)解。
2.MQHOA算法的基本流程
整個流程包含三個過程:能級穩(wěn)定過程、能級下降過程、尺度下降過程。算法的整個運行過程便是在k個采樣的驅(qū)動下,不斷對新的采樣進行比對。

上圖描述了算法的整個收斂過程。算法分為橫向收斂和縱向收斂,橫向是高能態(tài)逐步向基態(tài)收斂,一旦完成到基態(tài)的收斂過程,便將尺度減小一倍,進入更小尺度的迭代,直到最后的尺度滿足預(yù)先設(shè)定的大小,其中存在多尺度的迭代。
3.MQHOA算法的優(yōu)點
1.其他很多的優(yōu)化算法需不斷調(diào)整參數(shù),MQHOA僅有一個主觀需要控制的參數(shù),便于我們調(diào)整算法的性能。
2.MQHOA算法具有良好的高維優(yōu)化能力,目前已實現(xiàn)對一些復(fù)雜函數(shù)進行一千維以上的優(yōu)化,用基本算法便可完成。
3.整個算法的迭代過程很簡單,不斷進行采樣,取代差集。
MQHOA算法的整個流程比較容易理解但物理含義比較深刻,不易理解。對于從事應(yīng)用工作的同時而言,只需掌握其流程即可。
MQHOA算法還定義為波函數(shù)的概念,波函數(shù)便是將我們所采用的k個采樣區(qū)域進行疊加。波函數(shù)有一個重要的物理含義:在量子力學(xué)中,是粒子出現(xiàn)的概率;在算法中,是最優(yōu)解當(dāng)前的分布。波函數(shù)會隨著迭代過程發(fā)生變化,知道波函數(shù)收斂到最優(yōu)解附近。波函數(shù)在不同尺度、不同能級迭代時有著非常明顯的逐步收斂過程,剛開始是在局部最優(yōu)區(qū)域收斂,最終會在最優(yōu)解附近。波函數(shù)在算法中的概念與量子力學(xué)中的概念是很相似的,都在描述一個物質(zhì)出現(xiàn)的概率。整個算法的目標是將波函數(shù)的概率分布逐步向全局的最優(yōu)解概率集中,以最大的概率采樣到最優(yōu)解。
在研究過程中,發(fā)現(xiàn)了一個新的規(guī)律:算法的測不準原理。這個原理是在1927年由海森堡提出來的,具體表明在物理世界一個粒子的位置和速度是不能同時被測定的,量子力學(xué)中有一個定義:如果兩個物理量所對應(yīng)的算符不等于零,其定義的物理量便無法被精準測定,證明了算法的測不準關(guān)系。
優(yōu)化算法的測不準關(guān)系具體是指,優(yōu)化算法的全局搜索能力與局部搜索能力是不能被同時獲得的。模仿量子力學(xué)的算符方法,定義為全局搜索算符和局部搜索算符,全局搜索的含義便是發(fā)現(xiàn)所有的全局最優(yōu)解,為獲得所有的全局最優(yōu)解,在數(shù)學(xué)上的操作是對目標函數(shù)進行求導(dǎo),也將全局搜索算符定義為對目標函數(shù)的求導(dǎo)。局部搜索是精確獲得最優(yōu)解的位置,將自變量的位置作為算符表述,按照量子力學(xué)中的定義式作用在函數(shù)上,最終證明了全局搜索和局部搜索是不能同時獲得的。優(yōu)化算法的測不準原理反映了算法的多尺度問題,很多智能優(yōu)化算法均不同程度地使用了測不準原理,我們不能指望只用一個尺度以一個算法同時獲得良好的全局搜索和局部搜索,這也為研究智能優(yōu)化算法提供了非常有力的理論工具。
人工智能要解決的一個問工作便是如何在一個巨大的檢驗空間進行搜索,需具有極強的搜索能力。所有的人工智能算法都在試圖用最快的速度完成對檢驗空間的快速搜索,當(dāng)我們面對指數(shù)級巨大的檢驗空間時,需要利用算法的隱含并行性。算法的隱含并行性指的并不是在并行計算機上運行的能力,目前對這方面的研究比較少。1976年圖靈獎獲得者Robin認為“應(yīng)該放棄的只是以完全確定的方式獲得結(jié)果,這種結(jié)果可能出錯,然而出錯的可能性微乎其微,也就是說可以把概率算法用到這類問題中來”。因此產(chǎn)生了一個初步的認識,即不確定性造就了隱含并行性。
大多數(shù)的人工智能算法采用了概率方法,包括MQHOA算法、波函數(shù)。正是由于我們降低了對求解精度要求,使我們獲得了快速的搜索能力。
目前的MQHOA算法已成功地在很多領(lǐng)域得到了較好的應(yīng)用,包括函數(shù)優(yōu)化、數(shù)據(jù)挖掘等領(lǐng)域,算法是具有一定的生命力的。但同時,算法中還存在改進的空間,希望其具有更好的并行性,解決更復(fù)雜的優(yōu)化問題。
關(guān)于云計算和大數(shù)據(jù)的教學(xué),希望將并行計算技術(shù)作為一門基礎(chǔ)課程。對理解云計算和大數(shù)據(jù)的體系結(jié)構(gòu)具有很大的好處,對培養(yǎng)學(xué)生在分布式環(huán)境下的思維能力也有著很好的幫助。
第三十四屆CIO班招生
國際CIO認證培訓(xùn)
首席數(shù)據(jù)官(CDO)認證培訓(xùn)
責(zé)編:王鵬
免責(zé)聲明:本網(wǎng)站(http://www.www.gypb.net/)內(nèi)容主要來自原創(chuàng)、合作媒體供稿和第三方投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性,但不保證有關(guān)資料的準確性及可靠性,讀者在使用前請進一步核實,并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏,概不負任何法律責(zé)任。
本網(wǎng)站刊載的所有內(nèi)容(包括但不僅限文字、圖片、LOGO、音頻、視頻、軟件、程序等)版權(quán)歸原作者所有。任何單位或個人認為本網(wǎng)站中的內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時,請及時通知本站,予以刪除。