年終重磅盤點：2022計算機科學6大突破！破解量子加密、最快矩陣乘法等榜上有名
加入技術(shù)交流群
2022年，計算機領(lǐng)域發(fā)生很多劃時代的大事。在今年，計算機科學家學會了完美傳輸秘密，Transformer的進步神速，在AI的幫助下，數(shù)十年歷史的算法被大大改進……
2022年計算機大事件
現(xiàn)在，計算機科學家能解決的問題，范圍是越來越廣了，因此，他們的工作也越來越跨學科。
今年，許多計算機科學領(lǐng)域的成果，還助力了其他科學家和數(shù)學家。比如密碼學問題，這涉及了整個互聯(lián)網(wǎng)的安全。密碼學的背后，往往是復雜的數(shù)學問題。曾經(jīng)有一種非常有前途的新密碼方案，被認為足以抵御來自量子計算機的攻擊，然而，這個方案被「兩條橢圓曲線的乘積及其與阿貝爾曲面的關(guān)系」這個數(shù)學問題推翻了。
以單向函數(shù)的形式出現(xiàn)的一組不同的數(shù)學關(guān)系，將告訴密碼學家是否有真正安全的代碼。計算機科學，尤其是量子計算，與物理學也有很大的重疊。今年理論計算機科學的一件大事，就是科學家證明了NLTS猜想。這個猜想告訴我們，粒子之間幽靈般的量子糾纏，并不像物理學家曾經(jīng)想象的那樣微妙。這不僅影響了對我們對物理世界的理解，也影響了糾纏所帶來的無數(shù)密碼學的可能性。
另外，人工智能一直與生物學相得益彰——事實上，生物學領(lǐng)域就是從人腦中汲取靈感，人腦也許是最終極的計算機。長久以來，計算機科學家和神經(jīng)科學家都希望了解大腦的工作原理，創(chuàng)造出類腦的人工智能，但這些似乎一直是白日夢。但不可思議的是，Transformer神經(jīng)網(wǎng)絡似乎可以像大腦一樣處理信息。每當我們多了解一些Transformer的工作原理，就更了解大腦一些，反之亦然。或許這就是為什么Transformer在語言處理和圖像分類上如此出色的原因。甚至，AI還可以幫我們創(chuàng)造更好的AI，新的超網(wǎng)絡（hypernetworks）可以幫助研究人員以更低的成本、用更快的速度訓練神經(jīng)網(wǎng)絡，還能幫到其他領(lǐng)域的科學家。Top1：量子糾纏的答案
量子糾纏是一種將遙遠的粒子緊密聯(lián)系起來的特性，可以肯定的是，一個完全糾纏的系統(tǒng)是無法被完全描述的。不過物理學家認為，那些接近完全糾纏的系統(tǒng)會更容易描述。但計算機科學家則認為，這些系統(tǒng)同樣不可能被計算出來，而這就是量子PCP（概率可檢測證明，Probabilistically Checkable Proof）猜想。為了幫助證明量子PCP理論，科學家們提出了一個更簡單的假設，被稱為「非低能平凡態(tài)」（NLTS）猜想。今年6月，來自哈佛大學、倫敦大學學院和加州大學伯克利分校對三位計算機科學家，在一篇論文中首次實現(xiàn)了NLTS猜想的證明。
今年10月，研究人員成功地將三個粒子在相當遠的距離上糾纏在一起，加強了量子加密的可能性。Top2：改變AI的理解方式
在過去的五年里，Transformer徹底改變了AI處理信息的方式。在2017年，Transformer首次出現(xiàn)在一篇論文中。人們開發(fā)Transformer，是為了理解和生成語言。它可以實時處理輸入數(shù)據(jù)中的每一個元素，讓它們具有「大局觀」。與其他采取零散方法的語言網(wǎng)絡相比，這種「大局觀」讓Transformer的速度和準確性大大提高。
這也使得它具有不可思議的通用性，其他的AI的研究人員，也把Transformer應用于自己的領(lǐng)域。他們已經(jīng)發(fā)現(xiàn)，應用同樣的原理，可以用來升級圖像分類和同時處理多種數(shù)據(jù)的工具。
事實上，Transformer的適應性如此之強，神經(jīng)科學家已經(jīng)開始用基于Transformer的網(wǎng)絡對人腦功能進行建模。這表明人工智能和人類智能之間，或許是一體同源的。
Top3：破解后量子加密算法
量子計算的出現(xiàn)，讓很多原本需要消耗超大計算量的問題都得到了解決，而經(jīng)典加密算法的安全性也因此受到了威脅。于是，學界便提出了后量子密碼的概念，來抵抗量子計算機的破解。作為備受期待的加密算法，SIKE（Supersingular Isogeny Key Encapsulation）是一種利用橢圓曲線作為定理的加密算法。然而就在今年7月，兩位來自比利時魯汶大學的研究人員發(fā)現(xiàn)，這個算法可以在短短1個小時內(nèi)，用一臺10年「高齡」的臺式計算機被成功破解。值得注意的是，研究人員從純數(shù)學的角度來解決這個問題，攻擊算法設計的核心，而不是任何潛在的代碼漏洞。
Top4：用AI訓練AI
通過在給定的圖像數(shù)據(jù)集和我們的DEEPNETS-1M架構(gòu)數(shù)據(jù)集上預測的參數(shù)進行反向傳播訓練今年夏天，Quanta雜志還研究了另一種幫助機器學習的新方法——具身人工智能。
它允許算法從響應迅速的三維環(huán)境中學習，而不是通過靜態(tài)圖像或抽象數(shù)據(jù)。無論是探索模擬世界的代理，還是真實世界中的機器人，這些系統(tǒng)擁有從根本上不同的學習方式，而且在許多情況下，這些方式比使用傳統(tǒng)方法訓練的系統(tǒng)更好。Top5：算法的改進
提高基礎(chǔ)計算算法的效率一直都是學界熱點，因為它會影響大量計算的整體速度，從而對智能計算領(lǐng)域產(chǎn)生多米諾骨牌式的效應。今年10月，DeepMind團隊在發(fā)表于Nature上的論文中，提出了第一個用于為矩陣乘法等基本計算任務發(fā)現(xiàn)新穎、高效、正確算法的AI系統(tǒng)——AlphaTensor。它的出現(xiàn)，為一個50年來的懸而未決的數(shù)學問題找到了新答案：找到兩個矩陣相乘的最快方法。矩陣乘法，作為矩陣變換的基礎(chǔ)運算之一，是是許多計算任務的核心組成部分。其中涵蓋了計算機圖形、數(shù)字通信、神經(jīng)網(wǎng)絡訓練和科學計算等等，而AlphaTensor發(fā)現(xiàn)的算法可以使這些領(lǐng)域的計算效率大大提升。
Top6：分享信息的新途徑
Braverman最喜歡在辦公室的沙發(fā)上思考量化的難題由于他的這一成就，以及其他成果，國際數(shù)學聯(lián)盟今年7月授予Braverman IMU Abacus獎章，這是理論計算機科學領(lǐng)域的最高榮譽之一。IMU的頒獎詞指出，Braverman對信息復雜性的貢獻，使人們更深入地了解了當兩方相互溝通時，信息成本的不同衡量標準。他的工作為不易受傳輸錯誤影響的新編碼策略，以及在傳輸和操作過程中壓縮數(shù)據(jù)的新方法，鋪平了道路。信息復雜性問題，來自于Claude Shannon的開拓性工作——在1948年，他為一個人通過通道向另一個人發(fā)送消息，制定了數(shù)學框架。而Braverman最大的貢獻在于，建立了一個廣泛的框架，該框架闡明了描述交互式通信邊界的通用規(guī)則——這些規(guī)則提出了在通過算法在線發(fā)送數(shù)據(jù)時，壓縮和保護數(shù)據(jù)的新策略。
而Braverman不僅破解了這些問題，他還引入了一種新的視角，使研究人員能夠首先闡明它們，然后將它們翻譯成數(shù)學的正式語言。他的理論為探索這些問題和確定可能出現(xiàn)在未來技術(shù)中的新通信協(xié)議，奠定了基礎(chǔ)。來源：量子位*博客內(nèi)容為網(wǎng)友個人發(fā)布，僅代表博主個人觀點，如有侵權(quán)請聯(lián)系工作人員刪除。
