Искусственный интеллект научился предсказывать поломки военной техники

Искусственный интеллект предскажет поломки военной бронетехники

Bradley U.S.

Army

Армия США заключила с американским стартапом Uptake Technologies контракт на установку и испытания системы искусственного интеллекта, способной автоматически диагностировать боевые машины и с высокой степенью вероятности предсказывать поломку тех или иных их узлов, агрегатов и оборудования. Как пишет The Washington Post, по условиям сделки новую систему получит пара десятков боевых бронемашин M2A3 Bradley. Если проверки признают успешными, новую систему получат все Bradley, а также некоторые другие типы военной техники.

В настоящее время диагностикой строевых военных машин занимаются техники. Как правило, такая работа сводится к проверке каждой машины, поступающей по регламенту на техническое обслуживание, и устранению обнаруженных неполадок.

Замена частей машин также производится по регламенту, чтобы снизить вероятность их поломки во время эксплуатации.

В исключительных случаях допускается сверхсрочная эксплуатация тех или иных узлов и агрегатов машин; в этом случае их остаточный ресурс прогнозируется исходя из опыта обслуживающего техника.

Обратите внимание

По условиям контракта, стоимость которого составляет один миллион долларов, Bradley получат систему, которая будет анализировать различные показатели работы оборудования на основе данных, передаваемых по бортовой диагностической сети. Дополнительных датчиков установлено не будет.

В частности, новая система займется оценкой работы двигателей бронемашин.

Согласно сообщению Uptake Technologies, система будет получать данные о температуре охлаждающей жидкости двигателя и частоте вращения коленвала и постоянно сравнивать эти показатели с показателями с аналогичных двигателей, уже вышедших из строя.

Диагностическая система уже используется на некоторых производственных участках нескольких крупных компаний, включая авиастроительный концерн Boeing и корпорации по производству спецтехники Catterpillar.

В целом эксплуатация и обучение системы проводится на протяжении последних трех лет. В Uptake Technologies утверждают, что за это время был накоплен колоссальный объем данных.

Их анализ позволил создать диагностическую систему, способную с высокой точностью прогнозировать тип и время поломки того или иного узла или агрегата.

В настоящее время автоматической диагностической системой оснащены истребители F-35 Lightning II. Эта система получила название ALIS.

В полете система отслеживает состояние всех узлов и агрегатов боевого самолета и вычисляет их остаточный ресурс.

Во время обслуживания на земле система автоматически формирует список запчастей, которые в ближайшее время могут потребовать замены, — этот список передается технику при каждом послеполетном осмотре самолета.

Василий Сычёв

Источник: https://nplus1.ru/news/2018/06/27/predict

Искусственный интеллект научился предсказывать сбои в работе сердца

Достижения современной медицины позволяют предположить возможный исход для пациентов с болезнями сердца, но это очень долгий и трудоемкий процесс — врачи вынуждены анализировать сканы МРТ, анализы крови и другие данные без помощи компьютеров, полагаясь на свои знания и опыт. На помощь докторам пришли ученые из Имперского колледжа Лондона, которые научили искусственный интеллект предсказывать риск смерти у людей с серьезными сердечно-сосудистыми заболеваниями быстрее и точнее, чем другие существующие инструменты прогнозирования.

Воспользуйтесь нашими услугами

Новое программное обеспечение создает виртуальные 3D-сердца для каждого пациента, которые повторяют каждое сокращение органа.

Искусственный интеллект способен быстро определить, какие функции сердца указывают на сердечную недостаточность и смерть, используя данные магнитно-резонансной томографии (МРТ) вместе с информацией об анализах крови.

Пример моделирования для пациента с идиопатической легочной гипертензией

Ученые проверили работу технологии на больных с легочной гипертензией – состоянием, которое приводит к сердечной недостаточности, если не лечить ее должным образом. Чтобы назначить лечение, врачам необходимо предсказать, попадают ли пациенты в высокую или низкую группу риска, однако сделать это с исключительной точностью современные методы не позволяют.

Важно

Легочная гипертензия характеризуется высоким давлением в кровеносных сосудах, снабжающих сердце кислородом – легочных артериях, вене или капиллярах.

В результате происходит нагрузка на правую сторону сердца, что с течением времени приводит к прогрессирующим повреждениям. Если пациент не обратится к врачу вовремя, он рискует прожить оставшуюся жизнь с сердечной недостаточностью.

У больного легочной гипертензией можно наблюдать одышку, повышенную утомляемость, стенокардию, обмороки, кашель и другие симптомы.

Для лечения этого заболевания в современной медицине используются препараты, позволяющие крови свободнее продвигаться через легкие, что помогает пациентам в группе риска прожить дольше. В некоторых случаях вводят инъекции прямо в кровеносные сосуды, а в особо тяжелых ситуациях проводят пересадку легких.

До сих пор рентгенологи полагались на трудоемкие измерения функций сердца вручную, чтобы выявить больных с самым высоким риском ухудшения состояния.

По мнению доктора Деклана О’Регана (Declan O’Regan), ведущего автора исследования, у них впервые получилось научить компьютер интерпретировать сканы сердца, чтобы точно определить, как долго пациенты смогут жить.

Искусственный интеллект может изменить способы лечения пациентов с заболеваниями сердца.

Используя данные 256 пациентов, программное обеспечение проанализировало движущиеся изображения МРТ сердца каждого пациента и измерило движение 30000 различных точек в структуре органа во время каждого удара сердца.

Совет

Затем полученные данные объединили с медицинскими записями о здоровье пациентов, которые велись на протяжении восьми лет.

Программа создала виртуальное 3D-сердце каждого человека и автоматически распознала, какие функции были самыми ранними предвестниками сердечной недостаточности и смерти.

В конце наблюдения, которое продолжалось около четырех лет, 36% пациентов (93 из 256) умерли, а одному из них провели операцию по трансплантации легких. Компьютер правильно определил тех, кто проживет больше года, в 73% случаев. При том, что точность предсказаний врачей в данной ситуации составила 60%.

Исследователи уверены, что технология может быть в дальнейшем использована для пациентов и с другими типами сердечно-сосудистых заболеваний. Искусственный интеллект уже помогает исследованиям в области рака и заболеваний мозга, но анализ движущихся изображений сердца – более сложная операция.

Соавтор исследования, доктор Тим Доус (Tim Dawes), который вместе со своей командой разработал алгоритм обучения, сказал: «Компьютер выполняет анализ за считанные секунды и одновременно интерпретирует данные из изображений, анализов крови и других исследований без какого-либо вмешательства человека. Это может помочь врачам правильно диагностировать нарушения и своевременно назначить соответствующее лечение или изменить текущее».

Ученые планируют проверить программное обеспечение на данных пациентов из других больниц, чтобы решить, есть ли необходимость в его широком распространении среди врачей.

Исследователи также хотят использовать эту технологию для прогнозов при других формах сердечной недостаточности, например, кардиомиопатии, чтобы определить, нуждается ли пациент в кардиостимуляторе или других формах лечения.

Конечная цель заключается в разработке программного обеспечения, способного делать прогнозы не только о выживании, но и о том, какой тип лечения больше подойдет для конкретного пациента.

Читайте также:  Самый страшный робот в мире

Научная работа опубликована в журнале Radiology DOI: radiol.2016161315

Источник: http://integral-russia.ru/2017/07/25/iskusstvennyj-intellekt-nauchilsya-predskazyvat-sboi-v-rabote-serdtsa/

Судный День. Армия США разрабатывает искусственный интеллект для диагностики состояния «Брэдли» / искусственный интеллект, война

Мониторинг технического состояния миллионов единиц оборудования — головная боль для любой армии. Чтобы помочь тыловикам, генералы привлекли парня со стороны.

Всех нас ждёт неизвестное будущее. Но что более вероятно, программное обеспечение, создаваемое фирмой Uptake Technologies будет автоматически анализировать состояние бронетехники и предсказывать поломку задолго до её наступления.

Такой революционный шаг  сделает процесс оценки парка транспортных средств гораздо «эффективнее». Люди в форме любят это слово.

Обратите внимание

Перспективный софт работает с использованием искусственного интеллекта. На время испытаний новую диагностическую систему получат 20 бронемашин M2A3 Bradley и даже будут находится на активной службе.

В случае, если эксперимент признают успешным, нейросеть получит доступ к остальным машинам семейства «Брэдли».

Как это работает?

У нейросетей так заведено, что они не могут жить без самообучения. Существуют разные нейросети. Часто  такая машина заточена на поиск правильных ответов.

Она пытается распознавать примеры из множества шаблонных ситуаций, отсеивая неподходящие варианты.

Например, наш сегодняшний герой, военная диагностическая система сравнивает сигнатуру возникшей неисправности в двигателе с образцами из базы данных, которые соответствуют всем известным отказам двигателя в аналогичных бронемашинах.

Таким образом, искусственный интеллект может без участия техников анализировать различные показатели работы бортового оборудования, датчиков и электроники.

Датчики в двигателе бронетранспортера, в частности, записывают температуру и скорость вращения, после чего передают сведения на сервер для поиска соответствий.

После анализа нейросеть передаёт информацию операторам на местах и даже выносит собственный прогноз относительно надёжности работы агрегата.

Это похоже на мозг, который собирает сигналы от всех органов в теле, после чего посылает сигналы в ответ.

«Является ли это проблемой в системе охлаждения или чем-то другим, мы знаем, что видели похожую ситуацию в других двигателях, и можем сказать, что он перестанет работать через неделю или две», — с воодушевлением резюмировал один из авторов идеи.

Контексты

Важно

В настоящее время компания Uptake Technologies предоставляет аналогичные услуги в промышленных масштабах и работает ну с очень крупными парнями, вроде Caterpillar, Boeing и Progress Rail.

Можно сделать вывод, что для Uptake Technologies контракт с армией относительно невелик, оценивается всего в 1 миллион долларов, но представляется особенно интересным ввиду использования искусственного интеллекта в военных целях.

Сама компания-разработчик подчеркивает, что их система сама по себе не принимает никаких решений, а просто «выделяет потенциальные проблемы для изучения людьми».

Источник: http://www.qwrt.ru/news/3952

Искусственный интеллект научился предсказывать ваши будущие желания

Такие инструменты успешно применяются для предсказания возможных неисправностей в сложном оборудовании, двигателях, различных механизмах. Позволяют экономить значительные средства множеству компаний по всему миру. Один из примеров, о котором можно прочитать на сайте, — компания Trenitalia.

Эти же методы можно применять для анализа поведения людей — для лучшего понимания того, чем живут собственные сотрудники и, конечно же, для налаживания более тесного взаимодействия с клиентами.

Предиктивная аналитика помогает выявить, когда что-то может «сломаться» в отношениях между компанией и конкретным человеком, и вовремя принять меры; предсказать, когда клиенту может понадобиться определенный продукт или услуга.

Такие инструменты работают в компаниях с большим числом клиентов, от нескольких тысяч человек и более. На меньших объемах данных выявить корреляции в поведении сложнее.

Зато компании, работающие на массовом рынке: банки, онлайн- и офлайн-ретейлеры, телекомы, транспортные компании и другие, — могут получить много пользы от применения таких инструментов.

К примеру, использование системы предиктивного решения SAP Predictive Analytics помогло компании Belgacom — крупнейшему телеком-оператору Бельгии — снизить отток клиентов на 25 %. Это очень высокий показатель — ведь обычно операторы в этой отрасли борются за каждый процент.

На данный момент не существует других методов, помимо предиктивной аналитики, которые могли бы улучшить показатель сразу на десятки процентов. Эти инструменты сократили время на моделирование, то есть выявление клиентов, склонных к оттоку, с нескольких месяцев до дней, а значит, повысилась оперативность реакции — отклик в мероприятиях по удержанию абонентов вырос в четыре раза.

Совет

Оператор в целом перешел на клиентоориентированный подход нового уровня. Belgacom совершает более десятка тысяч звонков в день, предлагая дополнительные услуги и новые продукты своим клиентам.

Благодаря использованию SAP Predictive Analytics компания научилась делать правильное предложение правильному клиенту в правильное время. В итоге отклик на такие звонки вырос в три раза, и в 14 % случаев абоненты стали принимать предложение.

Это высокий показатель, ведь обычно он находится на уровне единиц процентов.

Другой пример — mBank, который благодаря партнерству с SAP начал анализировать профили своих клиентов и совершаемые ими операции.

В результате банк в четыре раза увеличил количество продаж неипотечных кредитов, в два раза — страховых продуктов, в два с половиной раза — услуг по накоплению капитала.

А также сократил отток и увеличил выручку за счет запуска автоматических маркетинговых кампаний. Подробнее об истории успеха mBank можно прочитать в этой статье.

Как это работает

Предиктивная аналитика позволяет ответить на следующие вопросы: каким клиентам, когда и каким образом что конкретно предложить; какие потребители готовы уйти к конкуренту, кого из них можно удержать и как это лучше сделать?

Также, используя эти методы, компания может лучше понять связи между продуктами, типичные наборы продуктов и услуг, характерные для определенных потребительских сегментов, и выявить и четко обозначить клиентские группы, объединенные общим стилем поведения.

Каждый пользователь услуги или покупатель продукта рассматривается системой в динамике, в рамках так называемого жизненного цикла клиента. Рассчитывается Lifetime Value — количество денег, которые может принести клиент за все время взаимодействия с компанией.

Обратите внимание

Жизненный цикл делится на четыре этапа: привлечение, период активных продаж дополнительных продуктов, удержание и win back — повторное завоевание клиента, который ушел в отток, то есть предпочел конкурентов. Понятно, что самую большую прибыль приносит второй этап, а три других связаны с расходами.

Задача системы предиктивной аналитики — сделать так, чтобы потери были как можно ниже, а выручка как можно больше, то есть главная цель — увеличение Lifetime Value каждого потребителя.

На каждом этапе применяются различные методы работы с клиентами. Во время активации, то есть в самом начале истории отношений компании с потребителем, система относит его к определенному сегменту и подбирает предложения, подходящие именно для него.

Читайте также:  Петербург встречает фестиваль geek picnic

Это происходит на основании личных данных клиента: его возраста, социальной группы, профессии и других параметров.

Во время активных продаж строится модель склонностей, которая помогает предлагать наиболее релевантные кросс-продукты и дополнительные услуги через самые эффективные каналы и в подходящее время.

На этапе удержания строятся стратегии для предотвращения оттока, рассчитывается коэффициент социального влияния клиента, чтобы понять, может ли его уход привести к уходу других клиентов. В этом помогают инструменты Social Network Analysis — анализа социальных сетей.

Речь идет не о том, что система анализирует его публичную информацию в фейсбуке. Рассчитывается сеть близких связей для конкретного клиента. Например, мобильный оператор знает, на какие номера и в какое время звонит абонент чаще всего, из каких локаций. Так можно определить круг близких связей человека и их силу.

Можно предположить, что если глава семейства уйдет к другому оператору, то за ним последует его семья и родственники. А если он при этом еще и лидер в кругу друзей и коллег, его решение может повлиять и на них.

Важно

На удержание людей с сильным социальным влиянием стоит потратить больше денег и усилий, чтобы не вызвать эффект домино, и лучше начать делать это как можно раньше, пока абонент еще не принял окончательного решения.

До эпохи предиктивной аналитики менеджеры вручную искали знаки того, что человек планирует сменить оператора. Как правило, сигналом служило то, что клиент снижал активность или полностью прекращал пользоваться услугой. В такой ситуации вернуть его расположение было уже весьма сложно.

Чтобы удержать самых ценных абонентов, компании старались делать привлекательные предложения сразу всему клиентскому сегменту на всякий случай, чтобы предотвратить даже мысли об уходе к конкуренту. Но такая стратегия ведет к высоким расходам для компании.

Система предиктивной аналитики позволяет управлять оттоком более эффективно и с меньшими затратами. Процесс укладывается в четыре шага. На первом выявляются те клиенты, которые с высокой вероятностью могут в ближайшее время уйти в отток.

Это делается через анализ исторических данных — поведение нынешних клиентов сравнивается с действиями тех, кто ушел в отток в прошлом. Таким образом выявляются ранние сигналы, которые в большинстве случаев «вручную» обнаружить невозможно.

На втором шаге строится модель дохода по клиенту — рассчитывается потенциальная возможность на нем заработать. Это делается, чтобы компания могла принять решение, кого стоит удерживать, а кого можно отпустить с легким сердцем. Затем проводится кластеризация клиентов, чтобы выявить возможные причины ухода.

На основе этого, а также с учетом прошлого опыта создаются сценарии удержания, каждый из которых имеет свою вероятность успеха и уровень расходов.

В результате компания может выбрать стратегию с наибольшим потенциальным доходом из набора вариантов того, какое предложение сделать клиенту, через какой канал и каким образом к нему обратиться.

Совет

Возможности SAP Predictive Analytics позволяют построить отдельную модель для каждой комбинации «предложение–канал–обращение». В итоге создается полная картина по клиенту: ценность, потенциал, вероятность ухода, вероятность удержания и рекомендация лучшего действия по его удержанию.

Такие системы, как SAP Predictive Analytics, позволяют предсказать поведение потребителя еще до того, как он его поменял и даже вообще осознал, что захочет что-то изменить. Ясновидящим «кассандрам» прошлого такие возможности и не снились.

Источник: http://www.forbes.ru/brandvoice/sap/351449-rabota-dlya-predskazateley

Источник: https://brodv.ru/2017/10/18/iskusstvennyj-intellekt-nauchilsya-predskazyvat-vashi-budushhie-zhelaniya/

Сможет ли искусственный интеллект предсказывать смерть

Разница лишь в сентиментальности поэта и прозаичности реальности. Все мы когда-нибудь умрем.Вопрос лишь в том, когда и как.Или нет.В настоящее время учёные пытаются заставить искусственный интеллект, машинное обучение и компьютерное зрение, предсказать смерть человека. Конечная цель состоит, конечно, не в том, чтобы сделать из ИИ мрачного жнеца, а вовремя предупреждать хронические заболеваний и другие болезни.Новейшие исследования этого применения ИИ в области медицины использовали последние модели машинного обучения для анализа КТ-сканирования 48 грудных клеток. Компьютер смог предсказать, какой из пациентов умрет в течение пяти лет с 69-процентной точностью.Примерно так же, как предсказал бы любой врач.Результаты были опубликованы в научных докладах журнала Nature под авторством команды из Университета Аделаиды. Ведущий автор работы доктор Люк Оукден-Райнер, радиолог и аспирант, говорит, что одним из очевидных преимуществ использования ИИ в точной медицине является заблаговременное выявление рисков для здоровья и потенциальное вмешательство.« … В настоящее время большинство исследований хронических заболеваний и долголетия требуют длительных периодов наблюдения, которые позволят выявить разницу между пациентами с лечением и без, потому что эти болезни медленно прогрессируют … »— объясняет он.« … Если бы мы могли количественно оценить изменения раньше, мы не только смогли бы выявить болезнь, но и осуществить более эффективное вмешательство, а также смогли бы намного раньше среагировать … »Это может привести к более быстрому и дешевому лечению.« … Если бы мы могли скостить год или два времени, которое требуется на передачу лечебных средств из лаборатории пациенту, прогресс в этой области существенно ускорился бы … »В январе исследователи из Имперского колледжа в Лондоне опубликовали результаты, которые показали, что ИИ может предсказывать сердечную недостаточность и смерти лучше, чем человеческий врач.Исследование, опубликованное в журнале Radiology, включало создание виртуальных трехмерных сердец 250 пациентов, которые могут имитировать сердечную функцию. Затем алгоритмы ИИ занялись изучением того, какие функции будут служить в роли лучших прогнозистов.Эта система полагалась на МРТ, анализ крови и другие данные. В конечном счете выяснилось, что машина была быстрее и лучше в определений риска легочной гипертензии — показала 73% точности против обычных 60%.Учёные говорят, что эту технологию можно было бы использовать для прогнозирования исходов других сердечно-сосудистых заболеваний в будущем.« … Мы хотели бы разработать технологию, которую можно было бы применять для самых разных сердечно-сосудистых заболеваний в помощь врачебной интерпретации результатов медицинских испытаний … »— говорит соавтор исследования Тим Дэйвс.« … Цель ─ увидеть, смогут ли лучшие прогнозы способствовать правильному лечению и долголетию людей … »Такого рода применения ИИ в области точной медицины будут становиться только лучше по мере того, как машины будут обучаться, подобно студентам-медикам.Оукден-Райнер говорит, что его команда продолжает создавать идеальный набор данных по мере движения вперед, но уже повысила прогностическую точность с 75 до 80 процентов, включив такую информацию, как возраст и пол.« … Думаю, существует верхний предел того, насколько точны мы можем быть, потому что всегда будет элемент случайности … »— говорит он, отвечая на вопрос, насколько хорошо ИИ будет определять смертность отдельного человека.« … Но мы можем стать точнее, чем сейчас, если примем во внимание риски и силы отдельных людей. Модель, совмещающая все эти факторы, надеюсь, сможет уточнять риск краткосрочной смертности до 80 процентов … »Другие eщё оптимистичнее смотрят на то, как быстро ИИ преобразует этот аспект области медицины.« … Прогнозирование оставшейся жизни для людей, на самом деле, одно из самых простых применений машинного обучения … »— говорят доктор Зияд Обермейер.« … Оно требует уникального набор данных, который содержится в электронных записях, связанных с информацией о времени смерти человека. Как только мы соберем достаточно таких данных, мы сможем крайне точно предсказывать вероятность того, что отдельный человек будет жить месяц или, например, год … »Эксперты вроде Обермейера и Оукдена-Райнера сходятся в том, что прогресс грядет быстро, но впереди eщё много работы, которую предстоит проделать.С одной стороны, есть eщё много данных, в которых можно покопаться, но они пока не упорядочены. Например, изображения, на которых машины обучаются, все eщё приходится обрабатывать, делая их полезными.« … Многие группы учёных по всему миру тратят миллионы долларов на эту задачу, потому что она остается бутылочным горлышком для успешного врачебного ИИ … »— говорт Оукден-Райнер.В интервью STAT News Обермейер рассказал, что данные фрагментированы по всей системе здравоохранения, поэтому связывание информации и создание наборов данных потребует времени и денег. Он также отмечает, что хотя есть большой ажиотаж на тему использования ИИ в точной медицине, в клинических условиях эти алгоритмы практически не проверялись.« … Можно сказать, что все хорошо и алгоритм действительно хорош. Но теперь нужно вывести его в реальный мир и со всей ответственностью посмотреть, что будет … »— говорит он.Предотвратить смертельную болезнь — это одно. Но можно ли предотвратить смертельный случай при помощи ИИ? Именно это намеревались делать американские и индийские учёные, когда озаботились растущим числом смертей среди людей, делающих селфи.Группа определила 127 человек, которые погибли, позируя для фото, в течение двух лет.Основываясь на комбинации текста, снимков и местоположения, машина научилась идентифицировать селфи как потенциально опасное или же нет. Пробег по более 3000 подписанным селфи в Твиттере продемонстрировал 73-процентную точность.«Комбинация функций на основе изображения и места показала лучшую точность», говорят учёные.Что будет дальше? Появится система предупреждения для любителей селфи.Вся эта дискуссия породила вопрос: хотим ли мы на самом деле знать, когда умрем?Согласно одной из работ, недавно опубликованных в Psychology Review, ответ: нет. 9 из 10 человек в Германии и Испании, когда их спросили, хотят ли они знать о своем будущем, включая смерть, предпочли остаться в неведении.Обермейер смотрит на этот вопрос по-другому: через призму людей, которые живут с угрожающей жизни болезнью.« … Среди того, что пациенты очень хотят и чего не получают, это ответы от врачей на вопрос “сколько мне осталось?” Врачи очень неохотно отвечают на эти вопросы, отчасти потому, что не хотят ошибаться в таких важных вещах. Отчасти потому, что пациенты и сами не хотят знать … »
Читайте также:  Роботизированные камни и деревья. для чего это нужно?

Заметили опечатку? Выделите текст, нажмите Ctrl + Enter и сообщите об этомВы зашли на сайт как незарегистрированный пользователь.
Зарегистрируйтесь, чтобы узнать больше!

Источник: https://helionews.ru/81996

Физики научились точно предсказывать момент выхода из строя квантовой системы

Физики впервые сумели точно предсказать будущее квантовых систем — точнее, момента, когда эти системы рухнут, — еще задолго до того, как это фактически произойдет. Эта важная возможность может быть использована для создания очень мощных, более точных и более надежных квантовых технологий в будущем.

Если вы не поняли, о чем идет речь в предыдущем абзаце, то вот вам более простой пример. Возьмем, например, ваш смартфон. Вы прекрасно понимаете, что однажды это устройство выйдет из строя, потому что такое всегда происходит с технологиями.

А теперь представьте, что вы можете предсказать точный момент времени в будущем, когда это случится, а также способны избежать этого момента, пока он не наступил. Именно этому научились физики из Австралии.

Только вместо мобильных телефонов они научились очень точно предсказывать будущую поломку квантовых систем и рассказали о том, как это предотвратить.

Основная отличительная черта между поломкой смартфона и квантовой системой заключается в том, что квантовая система ломается гораздо быстрее и, что важнее, происходит это гораздо «более случайно», чем со смартфонами.

Квантовые технологии вроде квантовых компьютеров имеют потенциал произвести настоящую революцию в нашей жизни и работе. Наши обычные компьютеры для обработки информации полагаются на двоичную систему, где значения битов (элементарных единиц информации) приобретают форму цифровых «нулей» и «единиц».

Квантовые биты (или кубиты) в свою очередь состоят из атомов, запечатанных в крошечных чипах. Они могут быть либо «включены», либо «выключены», а также находиться в третьем состоянии, называемом «суперпозицией», что делает их еще более эффективными.

Обратите внимание

Однако одним из краеугольных камней квантовых технологий является то, что их нельзя назвать надежными, потому что сама среда, в которой находятся кубиты, может хаотично изменять их состояние, вызывая декогерентность.

Другими словами, это означает, что в случайной точке времени квантовые системы могут утратить свою «квантовость», став бесполезными.

До сегодняшних дней у ученых, из-за специфики проблемы в подверженности случайным факторам, не имелось возможностей и способов предсказывать, когда именно наступит эта «случайная точка во времени». Сложность в решении этой проблемы накладывала еще и специфика того факта, что вы не можете измерить квантовые системы без их фактического разрушения.

Эти предсказания работают, потому что правила и физические законы, той же гравитации например, способны предсказать его поведение.

Для решения этого вопроса команда ученых из Сиднейского университета использовала машинное обучение – тот же набор компьютерных алгоритмов, который используется для обработки огромных массивов данных, — чтобы найти любую информацию, которая могла бы им помочь предсказать, когда кубиты выйдут из строя.

Оказалось, что неважно, насколько случайными могут для нас казаться квантовые системы, в них содержится достаточно информации для компьютерных алгоритмов, чтобы попробовать просчитать, как тот или иной кубит изменится в будущем, и без прямого за ним наблюдения предсказать, когда он разрушится.

После того как физики сравнили эти предсказания со случаями, когда реальные кубиты выходили из строя, они обнаружили, что эти предсказания оказались на удивление очень точными.

Более того, оказалось, что эти предсказания способны компенсировать возможные изменения, которые могут привести к разрушению квантовой системы.

Важно

Далее, если исследователи научатся делать это в реальном времени, то это сделает кубиты намного более надежными и стабильными, а также поможет квантовым вычислениям приблизиться гораздо ближе к реальности.

Опубликовал: Виктор Петров

Источник: https://hinews.mediasole.ru/fiziki_nauchilis_tochno_predskazyvat_moment_vyhoda_iz_stroya_kvantovoy_sistemy

Ссылка на основную публикацию