Ewin Tang - Ewin Tang

Ewin Tang
narozený2000 (věk 19–20)
Alma materUniversity of Texas v Austinu
Vědecká kariéra
PolePočítačová věda, Kvantové informace
Doktorský poradceJames Lee
Ostatní akademičtí poradciScott Aaronson
webová stránkahttps://ewintang.com/

Ewin Tang (narozen 2000) je počítačový vědec na University of Washington. Byla jmenována jako jedna z 2019 Science Forbes 30 Pod 30[1] pro její práci na vývoji algoritmů pro klasické počítače k ​​provádění výpočtů, které byly dříve považovány za možné pouze u kvantových počítačů, začal výzkum pod dohledem Scott Aaronson když byl Tang teprve teenager.

Časný život

Tang přeskočil čtvrtou, pátou a šestou třídu, aby se mohl zapsat University of Texas v Austinu ve věku 14 let.[2] Tangova první zkušenost s výzkumem zahrnovala práci na zobrazování in vivo pro biomedicínský výzkum, jako jsou optické sondy pro polarizovaný pohled makrofágy během reakcí na cizí tělesa,[hospoda 1] bakteriální infekce,[hospoda 2] fibrin depozice,[hospoda 3] a detekce v reálném čase neutrofily odpovědi.[hospoda 4] V roce 2014 byl Tang oceněn Davidson Fellow Čestné uznání za práci na optické zobrazovací sondě pro detekci infekce v reálném čase.[3] V roce 2017 se zúčastnila kurzu kvantová informace učil Scott Aaronson, který by se brzy stal jejím disertačním poradcem. Aaronson uznala Tang jako „neobvykle talentovanou studentku“ a představila jí řadu výzkumných projektů, ze kterých si mohla vybrat; mezi nimi byl problém s doporučením.[2]

Výzkum

Před Tangovou prací byly nejznámější klasické algoritmy řešení některých problémů lineární algebry exponenciálně pomalejší, za určitých předpokladů, než ty nejlepší kvantový algoritmus pro stejný problém. Inspirováno kvantovým řešením založeným na Algoritmus HHL, našla[hospoda 5][hospoda 6][hospoda 7] klasické algoritmy řešící tento problém v podobném čase jako kvantové algoritmy, za podobných předpokladů, čímž je „dekantují“ a exponenciálně zlepšují oproti nejznámějším klasickým algoritmům.

Její první prací v oblasti kvantových výpočtů byla její disertační práce z roku 2018 s názvem Kvantově inspirovaný klasický algoritmus pro systémy doporučení,[hospoda 5] kontrolován Scott Aaronson, což jí umožnilo dokončit dva vysokoškolské tituly v počítačová věda a v čistá matematika z UT Austin. Tato práce podrobně popisuje nový algoritmus, který řeší problém s doporučením; například jak Amazonka nebo Netflix předvídat, které knihy nebo filmy si konkrétní zákazník osobně užije? Lineární algebraický přístup k problému je následující: daný m uživatelé a n produkty, spolu s neúplnými údaji o tom, které produkty uživatelé preferují (uspořádané do a binární data stromu struktura), kde není příliš mnoho způsobů, jak mohou uživatelé měnit své preference (tzv nízkořadé matice ), jaké produkty může daný uživatel chtít koupit? Běžnou lineární algebraickou klasickou strategií pro řešení tohoto problému je rekonstrukce aproximace matice úplných preferencí a její použití k předpovědi dalšího preferovaného produktu. Taková strategie vyžaduje alespoň čas polynomiální v dimenzi matice.

V roce 2016 našli Iordanis Kerenidis a Anupam Prakash exponenciálně rychlejší výsledky kvantový algoritmus;[4] tento algoritmus používá Algoritmus HHL odebrat vzorek produktu přímo z aproximace matice preferencí bez rekonstrukce samotné matice, čímž se vyhneme polynomiální výše uvedený limit. Tangův klasický algoritmus, inspirovaný rychlým kvantovým algoritmem Kerenidise a Prakasha, je schopen provádět stejné výpočty, ale na normálním počítači bez potřeby kvantového strojové učení. Oba přístupy běží polylogaritmický čas což znamená celkovou dobu výpočtu s logaritmus problémových proměnných, jako je celkový počet produktů a uživatelů, kromě toho, že Tang využívá klasickou replikaci technik kvantového vzorkování. Před Tangovými výsledky se všeobecně předpokládalo, že neexistuje žádný rychlý klasický algoritmus; Kerenidis a Prakash se nepokusili studovat klasické řešení a úkolem, který Tangovi přidělil Aaronson, bylo dokázat jeho neexistenci. Jak řekl, „zdálo se mi to jako důležité„ překonat tento příběh “.[2] Předtím, než byl Tangův výzkum zveřejněn, se s Aaronsonem zúčastnili workshopu kvantové výpočetní techniky v University of California kde se Tang představil před publikem, které zahrnovalo Kerenidise a Prakasha ve dnech 18. a 19. června 2018.[5] Po čtyřech hodinách dotazování panovala shoda v tom, že Tangův klasický algoritmus se zdá být správný. Problém doporučení byl jedním z mála projektů nabízených Aaronsonem, který si Tang zvolil neochotně: „Váhal jsem, protože to vypadalo jako těžký problém, když jsem se na to podíval, ale byl to nejjednodušší problém, který mi dal.“ .[2]

V roce 2018 byl Tang jmenován University of Texas at Austin Dean's Honored Graduate in computer science, po udržení 4,0 studijní průměr.[6]

Ve stejném roce zahájila Tang Ph.D. v teoretické informatice na University of Washington pod dohledem Jamese Lee.[2] Pokračovala ve svém výzkumu a zevšeobecnila výše uvedený výsledek a vykázala další kvantové strojové učení HHL problémy založené na: analýza hlavních komponent[hospoda 6] a stochastický regrese.[hospoda 7]

Mediální pokrytí

V reakci na Tangovu práci na používání klasických výpočtů namísto kvantových výpočtů k řešení problému doporučení došlo k širokému mediálnímu pokrytí kvůli vnímání, že eliminuje jeden z nejlepších příkladů kvantové zrychlení.[2][7][8][9] Někteří vědci se postavili na obranu kvantových počítačů, například Robert Young (ředitel Úřadu pro kontrolu kvantové výpočetní techniky) University of Lancaster's Quantum Technology Center), který uvedl v a BBC novinky článek, „Pokud bychom neinvestovali do kvantové práce na počítači, kvantový algoritmus, který inspiroval [paní] Tangovou, by neexistoval“.[8] Sama Tang si všímá rozporuplné povahy porovnávání klasických a kvantových algoritmů a snahy dokázat svůj algoritmus svému poradci: „Začal jsem věřit, že existuje rychlý klasický algoritmus, ale nemohl jsem si to sám dokázat, protože Scott [Aaronson] Zdálo se, že si myslí, že žádný nebyl, a on byl autoritou “.[2]

Ve věku 18 let byl Tang jmenován jedním z Forbes 30 Pod 30 pro rok 2019 kvůli její práci na vývoji výpočetních metod, které umožňují klasickým počítačům zvládat úkoly, které dříve považovaly za možné pouze s kvantovým počítačem.[10]

Vybrané publikace

  1. ^ Baker, David W .; Zhou, červen; Tsai, Yi-Ting; Patty, Kaitlen M .; Weng, Hong; Tang, Ewin N .; Nair, Ashwin; Hu, Wen-Jing; Tang, Liping (červenec 2014). „Vývoj optických sond pro zobrazování polarizovaných makrofágů in vivo během reakcí cizích těles“. Acta Biomaterialia. 10 (7): 2945–2955. doi:10.1016 / j.actbio.2014.04.001. ISSN  1742-7061. PMC  4041819. PMID  24726956.
  2. ^ Tang, Ewin N .; Nair, Ashwin; Baker, David W .; Hu, Wenjingin vi; Zhou, červen (květen 2014). „In vivo zobrazení infekce pomocí optické nanobondy zaměřené na bakterie“. Journal of Biomedical Nanotechnology. 10 (5): 856–863. doi:10.1166 / jbn.2014.1852. ISSN  1550-7033. PMC  5033601. PMID  24734538.
  3. ^ Tsai, Yi-Ting; Zhou, červen; Weng, Hong; Tang, Ewin N .; Baker, David W .; Tang, Liping (únor 2014). „Optické zobrazování depozice fibrinu k objasnění účasti žírných buněk na reakcích cizích těles“. Biomateriály. 35 (7): 2089–2096. doi:10.1016 / j.biomaterials.2013.11.040. ISSN  0142-9612. PMC  3934503. PMID  24342726.
  4. ^ Zhou, červen; Zhou, červen; Tsai, Yi-Ting; Weng, Hong; Tang, Ewin N; Nair, Ashwin; Digant, Dave; Tang, Liping (květen 2012). "Detekce reakcí neutrofilů asociovaných s implantáty v reálném čase pomocí NIR nanoprobe zaměřené na formylpeptidový receptor". International Journal of Nanomedicine. 7: 2057–68. doi:10.2147 / ijn.s29961. ISSN  1178-2013. PMC  3356202. PMID  22619542.
  5. ^ A b Tang, Ewin (10.7.2018). „Kvantově inspirovaný klasický algoritmus pro systémy doporučení“. Sborník 51. výročního sympozia ACM SIGACT o teorii výpočetní techniky - STOC 2019. 217–228. arXiv:1807.04271. doi:10.1145/3313276.3316310. ISBN  9781450367059.
  6. ^ A b Tang, Ewin (2018-10-31). "Kvantově inspirované klasické algoritmy pro analýzu hlavních komponent a supervizované shlukování". arXiv:1811.00414 [cs.DS ].
  7. ^ A b Gilyén, András; Lloyd, Seth; Tang, Ewin (11. 11. 2018). „Kvantově inspirovaná nízkořadá stochastická regrese s logaritmickou závislostí na dimenzích“. arXiv:1811.04909 [cs.DS ].

Reference

  1. ^ Knapp, Alex, ed. (2018). „30–30 let 2019 Vynalézání budoucnosti od atomu nahoru - věda“. Forbes.
  2. ^ A b C d E F G „Teenager najde klasickou alternativu k algoritmu kvantového doporučení | Časopis Quanta“. Časopis Quanta. Citováno 2018-11-14.
  3. ^ „Davidson Fellows 2014“. www.davidsongifted.org. Citováno 2018-11-14.
  4. ^ Kerenidis, Iordanis; Prakash, Anupam (2016-03-29). "Systémy kvantového doporučení". arXiv:1603.08675 [kvant. ph ].
  5. ^ "Výzvy v kvantovém výpočtu | Simonsův institut pro teorii výpočtu". simons.berkeley.edu. Citováno 2018-11-14.
  6. ^ „Maturující studenti přírodních věd se proslavili na UT Austin“. Citováno 2018-11-14.
  7. ^ „Student vzal jednu z nejlepších aplikací kvantové výpočetní techniky - co teď?“. Centrum singularity. 2018-08-12. Citováno 2018-11-14.
  8. ^ A b Russon, Mary-Ann (04.09.2018). „Závod o vytvoření nejvýkonnějšího počítače na světě vůbec“. BBC novinky. Citováno 2018-11-14.
  9. ^ „Možná nepotřebujeme kvantové výpočty - Developer.com“. www.developer.com. Citováno 2018-11-14.
  10. ^ „Ewin Tang“. Forbes. Citováno 2018-11-14.

externí odkazy