量子计算公司D-Wave Systems今天透露,已经将第一台下一代5000量子位量子计算机出售给了洛斯阿拉莫斯国家实验室。
据D-Wave称,这套名为Advantage的新系统让企业组织相比没有使用量子计算机的竞争对手具备更大优势。
对于刚起步的人来说,量子计算是一种全新的、功能强大的计算机体系结构。虽然目前量子计算机仍处于发展早期,但它有解决极其复杂难题的潜力,并且这些难题是当前计算机无法解决的或者需要花费数年才能解决的。
与传统计算机相比,量子计算机的主要不同之处在于它可以同时处于多种状态。传统计算机采用二进制或者“位(bit)”,用0或者1来表示。而量子计算采用可以“叠加”的“ 量子位(qubit)”,可以表示为1、0或者两者兼有的状态。
另外,qubit可以使用一种称为“超密集编码”的方法,可同时保留两个bit。因此,一个qubit中包含两个叠加的bit,意味着处理数据量是普通计算机的4倍。Qubit还可以必须相互关联,从而使每个qubit都知道其他qubit的状态,这意味着随着qubit呈指数增长量子计算机也会变得越来越强大。
但是量子计算机的类型是不尽相同的。D-Wave的竞争对手包括IBM、Google和Rigetti Computing,这些厂商专注于打造可以解决任何类型问题的通用型量子计算机。但是对D-Wave来说,主要依赖于一种名为“量子退火”的方法,该方法最适合解决诸如物流这样的优化问题。但是,量子计算不能用于破解现代加密方面的难题。
尽管如此,洛斯阿拉莫斯国家实验室似乎仍然认为D-Wave的量子退火计算机足以满足其自身的特定需求。该实验室已经针对D-Wave上一代2000量子位系统开发了60多个应用,做好了采用功能更强大的Advantage的准备。
洛斯阿拉莫斯国家实验室仿真和计算实验室副主任Irene Qualters在一份声明中说:“这是我们第三次升级D-Wave系统。每次升级都让我们新的研究项目可以使用量子算法和新工具,以实现洛斯阿拉莫斯担负的国家安全使命。量子计算是我们研究的关键领域,我们的研究人员对使用D-Wave的Advantage量子系统而感到兴奋。”
Advantage系统让该实验室可以使用新的量子处理器,该处理器不仅有更多的量子位,而且“噪音更少”。量子位本身也是也更智能的方式互连的,从而带来了更高的性能。
D-Wave首席产品官Alan Baratz表示:“我们借助Advantage量子系统正在构建有史以来第一台实现商业利益的量子计算机。我们双方在量子平台上的投资将使客户能够更大规模地解决更复杂的问题,并使新兴的量子和混合应用充满活力。”
Constellation Research分析师Holger Mueller表示,量子计算机最重要的是能够解决复杂问题的能力,因为如今企业对量子计算的实际业务用例更感兴趣,而不是量子位的数量。
Mueller说:“对于企业高管而言,是时候关注一下厂商们是如何让构建和操作下一代应用变得更简单了。现在进行优化很重要,因为量子计算的颠覆潜力已经超过数字化转型的潜力,而且颠覆速度也更快。”
D-Wave表示,Advantage系统将于2020年中期投入使用。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。