Лаунч-контроль – что это такое и как он работает

Автоинструктор

Выберите из спискаженщинамужчина

Коробка передач

Выберите из спискаАКППМКПП

Маршрут ГИБДД

Выберите из спискаБалашихаВаршавскийВидноеДолгопрудныйЖелезнодорожныйИзмайловскийКоролевКосинскийКрасногорскийЛобненскийЛюберцыМарьинскийМытищиПяловскийСтрогинскийХимки

Округ

Выберите из спискаВАОЗАОСАОСВАОСЗАОЦАОЮАОЮВАОЮЗАО

Город

Выберите из спискаБалашихаВидноеДзержинскийДолгопрудныйЖелезнодорожныйКоролёвКрасногорскЛыткариноЛюберцыМытищиПушкиноРеутовТомилиноХимки

1. Главная
2. Новости
3. Лаунч-контроль – что это такое и как он работает

• 
  
  30. 04.2015

  Лаунч-контролем называют электронную систему, которая используется в устройстве автомобилей и дает возможность автотехнике производить стремительный старт. С ее помощью можно управлять функциями зажигания, впрыска, дроссельной заслонкой.

  Приведем примеры авто серийного производства, которые снабжены лаунч-контролем: это Porsche Panamera Turbo, Bugatti Veyron и представитель германской фирмы BMW M series. Из производителей электроники, имеющих возможность универсальной настройки, можно назвать такие фирмы, как LRP, Racelogic и Gizzmo. Действие лаунч-контроля основано на двусторонней телеметрии, она имеется и в некоторых мотоциклах, например, у модели Kawasaki KX250F.

  Для чего она нужна?

  Возможность скоростного старта особенно актуальна во время автомобильных гонок. Специфика некоторых заездов предполагает борьбу конкурентов даже за сотые доли секунды, поэтому водителю не желательно задержаться на старте, иначе может быть проиграна вся гонка. Эта электроника позволяет намного быстрее начинать движение с места (по сравнению с другими автомобилями при одинаковых условиях в заезде).

  Чтобы настроить лаунч-контроль, водитель задает программе уровень оборотов двигателя. Благодаря электронике, он будет действовать и поддерживаться с самого начала старта. Такая опция достаточно проста и хорошо подходит для драг-рейсинга. При выборе оптимальных параметров нужно учитывать настройку подвески, тип покрытия, вид шин и другие.

  Хотя основная масса таких систем является причиной пропусков зажигания в цилиндрах, но заливания свечей бензином не происходит. Момент отключения работающего лаунч-контроля можно определить следующим образом – по переключателю, который установлен на педали сцепления, и по сигналу, который будет исходить от датчика скорости. Наш автоинструктор, работающий у м. Бабушкинская, напоминает водителям о важном факте – чтобы старт в режиме лаунч-контроля проходил удачно, нужно обязательно выполнять его при выключенной системе курсовой устойчивости.

  В наше время некоторые фирмы, например, Volkswagen, производят машины с роботизированными коробами и двойным сцеплением. В основном это ТС с турбодвигателем. Режим лаунч-контроля имеется в моделях концерна VAG, ими оснащены Volkswagen Tiguan, Scoda Octavia, японский Lancer Evolution X MR. Как правило, в серийном варианте водителю не предоставляется право выбора параметров лаунч-контроля. Таким образом завод-изготовитель заботится о том, чтобы автомобиль не был случайно выведен из строя, поэтому выбор оборотов система берет на себя.

Выбрать инструктора:

• Автоинструктор Алексей

• Автоинструктор Алексей

• Автоинструктор Майя

• Автоинструктор Ася

• Автоинструктор Дмитрий

• Автоинструктор Михаил

• Автоинструктор Светлана

• Автоинструктор Анатолий

• Автоинструктор Светлана

• Автоинструктор Игорь

Отзывы:

Все отзывы

Лаунч контроль (launch control)

Лаунч контроль (launch control) – система электронного управления дроссельной заслонкой, системами впрыска и зажигания, предназначенная для резкого старта «с места».  

История создания лаунч контроля

Необходимость стартовать максимально быстро и без потери сцепления колес с дорогой возникла, очевидно, в первой автомобильной гонке в истории человечества. В течение долгого времени, до появления первых микропроцессорных систем, позволяющих контролировать параметры работы разных систем автомобиля, оптимальный старт считался частью искусства гонщика.

Среди серийных автомобилей, оснащенных системой лаунч контроль BMW M series, Bugatti Veyron и Porsche Panamera Turbo

Все началось с двусторонней телеметрии. Инженеры команды Renault в 1985 году научились не только дистанционно принимать сигналы с датчиков находящегося на трассе болида, но и передавать другие сигналы, оптимизирующие работу ряда систем.

В дальнейшем, когда электронные системы достигли высокого уровня развития Международная автомобильная федерация (FIA) запретила использование «электронных помощников» командам Формулы 1 под предлогом того, что искусство водителя при их наличии отступает на второй план. После оживленных споров использование, в том числе, систем двусторонней телеметрии, снова было разрешено, а затем, в 2004 году опять запрещено, так как по мнению FIA чрезмерное использование электроники требует слишком больших затрат на разработку новых систем, что препятствует эффективному участию в гонках малобюджетных команд.

Для чего нужен лаунч контроль

В других видах гонок, где проблема эффективного старта не менее актуальна, а правилами использование электроники не запрещено, системы лаунч контроля активно используются. Прекрасным примером таких гонок может служить заезды на скорость прохождения дистанции в четверть мили, так называемый «драг-рейсинг». Специфика этих заездов в том, что борьба в них ведется за сотые доли секунды, и, проиграв на старте, участник автоматически проигрывает заезд. Поэтому системы лаунч контроля крайне популярны у участников соревнований в «драге».

Наиболее известные производители универсальных настраиваемых систем лаунч контроля — Racelogic, LRP и Gizzmo

Лаунч контроль, применяемый при постройке автомобиля для драг-рейсинга, достаточно прост и в то же время эффективен. Он позволяет стартовать при практически одинаковых условиях в каждом заезде. При настройке лаунч контроля гонщик должен задать уровень оборотов двигателя, которые система электронного управления будет поддерживать до самого момента старта. Это позволяет гонщику нажать педаль акселератора до предела (а сразу после старта полное открытие дроссельной заслонки потребуется незамедлительно, так как необходимо будет разгоняться «выжимая» из машины все, на что она способна), а обороты двигателя до старта меняться не будут.

Выбор оптимальных оборотов зависит от многих факторов и, конечно же, от понимания особенностей конкретного автомобиля. При выборе следует учитывать характер покрытия, шин, настройку подвески и ряд других факторов.

При эксплуатации автомобиля, оснащенного двигателем с турбонагнетателем, при выборе оборотов необходимо учитывать характер турболага и задавать условия старта после выхода двигателя на полный буст (при этом лаунч контроль не следует путать с анти-лагом).

Как работает лаунч контроль

Большинство систем подобного рода (к примеру, Gizzmo Electronics Launch Interface) создают пропуски зажигания в цилиндрах, в разбивку или подряд, не допуская при этом заливания свечей бензином. При этом момент отключения активированной системы лаунч контроля отслеживается по двум параметрам: по переключателю, установленному на педаль сцепления, и по сигналу от датчика скорости. Система лаунч контроля умеет прерывать сигнал на срабатывание, посылаемый электронным блоком управления катушкам зажигания в определеленном порядке, чтобы предупредить раскручивание двигателя выше заданной отметки оборотов в минуту.

Система лаунч контроля есть в конструкции кроссового мотоцикла Kawasaki KX250F 2014 модельного года

После того, как пилот отпускает сцепление, лимит оборотов отключается и включается второй лимит. Этот второй лимит срабатывает в моменты отжатия сцепления, когда передача крутящего момента прерывается. Второй лимит позволяет гонщику не снимать «упертую в пол» ногу с педали газа во время переключения передач до самого конца дистанции. Контролируемые обороты двигателя при переключении передач позволяют избежать потери сцепления с дорогой при переходе с передачи на передачу.

Использование лаунч контроля в серийных автомобилях

В течение долгого времени по ряду причин использование системы лаунч контроля ограничивалось узким кругом подобных гоночным болидам мощных суперкаров с механической трансмиссией или, реже, с АКПП (учитывая то, какой вред неизбежно наносит старт на пределе возможностей сложной конструкции «автомата»).

Ситуация резко изменилась с развитием роботизированных коробок с двойным сцеплением, наиболее известных в исполнении DSG от фирмы Volkswagen. Коробки этого типа представляют собой разновидность управляемых электроникой МКПП с автоматизированным переключением сцепления. Их конструктивные особенности как нельзя лучше подходят для работы с системами спортивного старта, поэтому в наши дни штатный режим лаунч контроля можно видеть на ряде автомобилей концерна VAG. Такой коробкой сейчас оснащают Scoda Octavia, Volkswagen Tiguan и другие модели концерна, но строго определенных модификаций, как правило, с турбодвигателем. Среди серийных моделей стоит упомянуть также модель M от BMW с секвентальной коробкой передач Drivelogic sequential gearbox, Porsche 911 (в режиме sport++), Panamera Turbo.

Эффекта работы системы лаунч контроля можно добиться докомпьютерным способом — освоив управление педалями газа и тормоза двумя ногами

Из продукции японского автопрома стоит упомянуть модель Lancer Evolution X MR (продается официально только в США) от Mitsubishi с роботизированной коробкой SST или Nissan GT-R (в котором лаунч контроль доступен в режиме работы трансмиссии «R»).

В режиме лаунч контроля при старте на серийном автомобиле водителю, как правило, выбор параметров не предоставляется. Это естественно – завод-изготовитель обязан позаботиться о том, чтобы владелец машины не мог сломать что-нибудь серьезное (к примеру, трансмиссию). Поэтому задачу выбора оборотов автомобиль берет на себя; водителю остается лишь вжать в пол педаль газа и отпустить тормоз.

Использование режима лаунч контроля прописано в инструкции по эксплуатации данных моделей. Наиболее характерное отличие от типичного старта в этом режиме заключается в том, что необходимо нажать левой ногой на тормоз, а правой на газ, что нехарактерно для поведения водителя при езде с АКПП. DSG ни в коем случае не «автомат», но педали у машин с этим типом коробки две, и управление ими осуществляется в типично «автоматном» режиме, то есть одной ногой.

Кроме того, для успешного старта в режиме лаунч контроля необходимо в обязательном порядке выключить систему курсовой устойчивости.

Теорема об отсутствии бесплатного обеда для машинного обучения

Джейсон Браунли on 17 февраля 2021 г.

Последнее обновление: 12 октября 2021 г.

Теорема «Нет бесплатного обеда» Теорема часто используется в области оптимизации и машинного обучения, часто с небольшим пониманием того, что она означает или подразумевает.

Теорема утверждает, что все алгоритмы оптимизации работают одинаково хорошо, когда их производительность усредняется по всем возможным задачам.

Это означает, что не существует единого лучшего алгоритма оптимизации. Из-за тесной взаимосвязи между оптимизацией, поиском и машинным обучением это также означает, что не существует единого лучшего алгоритма машинного обучения для задач прогнозного моделирования, таких как классификация и регрессия.

В этом уроке вы познакомитесь с теоремой о бесплатных обедах для оптимизации и поиска.

После прохождения этого урока вы будете знать:

• Теорема об отсутствии бесплатных обедов предполагает, что производительность всех алгоритмов оптимизации одинакова при определенных ограничениях.
• Доказуемо, что не существует единого лучшего алгоритма оптимизации или алгоритма машинного обучения.
• Практические следствия теоремы могут быть ограничены, учитывая, что нас интересует небольшое подмножество всех возможных целевых функций.

Начните свой проект с моей новой книги «Оптимизация для машинного обучения», включающей пошаговых руководств и файлы исходного кода Python для всех примеров.

Начнем.

Теорема об отсутствии бесплатных обедов для машинного обучения
Фото Франсиско Анзолы, некоторые права защищены.

Обзор учебника

Это руководство разделено на три части; они:

1. Что такое теорема об отсутствии бесплатных обедов?
2. Последствия для оптимизации
3. Последствия для машинного обучения

Что такое теорема об отсутствии бесплатных обедов?

Теорема об отсутствии бесплатного обеда, часто сокращенно обозначаемая как NFL или NFLT, представляет собой теоретическое открытие, которое предполагает, что все алгоритмы оптимизации работают одинаково хорошо, когда их производительность усредняется по всем возможным целевым функциям.

НФЛ заявила, что при определенных ограничениях в пространстве всех возможных задач каждый метод оптимизации в среднем будет работать так же хорошо, как и любой другой (включая случайный поиск)

— Стр. 203, Основы метаэвристики, 2011.

Теорема применима к оптимизации в целом и к задачам поиска, поскольку оптимизацию можно описать или сформулировать как задачу поиска.

Подразумевается, что производительность вашего любимого алгоритма идентична совершенно наивному алгоритму, такому как случайный поиск.

Грубо говоря, мы показываем, что как для статических, так и для зависящих от времени задач оптимизации средняя производительность любой пары алгоритмов во всех возможных задачах абсолютно одинакова.

— Никаких бесплатных теорем для оптимизации, 1997.

Проще всего обдумать это открытие, рассмотрев большую таблицу, как в Excel.

В верхней части таблицы каждый столбец представляет отдельный алгоритм оптимизации. В нижней части таблицы каждая строка представляет другую целевую функцию. Каждая ячейка таблицы представляет собой производительность алгоритма на целевой функции с использованием любой меры производительности, которая вам нравится, при условии, что она согласуется во всей таблице.

Изображение теоремы об отсутствии бесплатного обеда в виде таблицы алгоритмов и задач

Вы можете себе представить, что эта таблица будет бесконечно большой. Тем не менее, в этой таблице мы можем вычислить среднюю производительность любого алгоритма по всем значениям в его столбце, и она будет идентична средней производительности любого другого столбца алгоритма.

Если один алгоритм работает лучше, чем другой алгоритм в одном классе задач, то он будет работать хуже в другом классе задач

— Стр. 6, Алгоритмы оптимизации, 2019.

Теперь, когда мы в целом познакомились с теоремой об отсутствии бесплатных обедов, давайте рассмотрим ее конкретные последствия для оптимизации.

Последствия для оптимизации

Так называемые алгоритмы оптимизации «черного ящика» — это общие алгоритмы оптимизации, которые могут применяться ко многим различным задачам оптимизации и предполагают очень мало о целевой функции.

Примеры алгоритмов черного ящика включают генетический алгоритм, имитацию отжига и оптимизацию роя частиц.

Теорема об отсутствии бесплатных обедов была предложена в конце 1990-х годов, когда регулярно делались заявления о том, что один алгоритм оптимизации «черный ящик» лучше другого алгоритма оптимизации. Теорема опровергает это, указывая на то, что лучшего алгоритма оптимизации не существует, что он доказуемо невозможен.

Теорема утверждает, что ни один алгоритм оптимизации в среднем не лучше любого другого алгоритма оптимизации.

… известная как теорема «бесплатных обедов не бывает», устанавливает предел того, насколько хорошим может быть ученик. Предел довольно низкий: ни один ученик не может быть лучше, чем случайное угадывание!

— Страница 63, The Master Algorithm, 2018.

Загвоздка в том, что применение алгоритмов ничего не предполагает относительно проблемы. Фактически, алгоритмы применяются к целевым функциям без предварительного знания, даже такого, как минимизирует или максимизирует целевая функция. И это жесткое ограничение теоремы.

У нас часто есть « некоторое » знание об оптимизируемой целевой функции. Фактически, если бы на практике мы действительно ничего не знали о целевой функции, мы не смогли бы выбрать алгоритм оптимизации.

Согласно теоремам Уолперта и Макриди об отсутствии бесплатных завтраков, нет причин предпочитать один алгоритм другому, если мы не делаем предположений о распределении вероятностей в пространстве возможных целевых функций.

— Стр. 6, Алгоритмы оптимизации, 2019 г..

Начинающему практикующему специалисту в области оптимизации рекомендуется изучить и использовать как можно больше о проблеме в алгоритме оптимизации.

Чем больше мы знаем и используем алгоритмы, связанные с проблемой, тем лучше метод подходит к проблеме и тем больше вероятность того, что алгоритм будет хорошо работать с этой проблемой. Теорема об отсутствии бесплатных обедов поддерживает этот совет.

Нас не интересуют все возможные миры, а только тот, в котором мы живем. Если мы что-то знаем о мире и включаем это в своего ученика, это теперь имеет преимущество перед случайным предположением.

— Страница 63, The Master Algorithm, 2018.

Кроме того, производительность усредняется по всем возможным целевым функциям и всем возможным алгоритмам оптимизации. В то время как на практике нас интересует небольшое подмножество целевых функций, которые могут иметь определенную структуру или форму, и алгоритмы, адаптированные к этим функциям.

… мы не можем не подчеркнуть, что в этой статье не делается никаких заявлений относительно того, насколько хорошо различные алгоритмы поиска работают на практике. алгоритма поиска.

— Никаких бесплатных теорем для оптимизации, 1997.

Эти выводы заставляют некоторых практиков отметить ограниченную практическую ценность теоремы.

Это представляет значительный теоретический интерес, но, я думаю, имеет ограниченное практическое значение, потому что пространство всех возможных проблем, вероятно, включает в себя множество чрезвычайно необычных и патологических проблем, которые редко встречаются на практике, если вообще когда-либо встречаются.

— стр. 203, Основы метаэвристики, 2011.

Теперь, когда мы рассмотрели последствия теоремы об отсутствии бесплатных обедов для оптимизации, давайте рассмотрим последствия для машинного обучения.

Последствия для машинного обучения

Обучение можно описать или сформулировать как проблему оптимизации, и большинство алгоритмов машинного обучения решают проблему оптимизации по своей сути.

Теорема об отсутствии бесплатных обедов для оптимизации и поиска применяется к машинному обучению, в частности обучению с учителем, которое лежит в основе задач классификации и регрессионного прогнозного моделирования.

Это означает, что все алгоритмы машинного обучения одинаково эффективны для всех возможных задач прогнозирования, например. случайный лес так же хорош, как и случайные предсказания.

Таким образом, все алгоритмы обучения одинаковы в том, что: (1) по нескольким определениям «среднего» все алгоритмы имеют одинаковый средний риск ошибочной классификации вне обучающей выборки, (2) поэтому ни один алгоритм обучения не может иметь более низкий риск, чем другой один на всех ж…

— Теоремы контролируемого обучения без бесплатного обеда, 2002 г.

Это также влияет на то, как алгоритмы оцениваются или выбираются, например, выбор алгоритма обучения с помощью k-кратной перекрестной проверки или нет.

… алгоритм, который использует перекрестную проверку для выбора из набора алгоритмов обучения с префиксом, в среднем работает не лучше, чем тот, который этого не делает.

— Теоремы контролируемого обучения без бесплатного обеда, 2002.

Это также имеет значение для общей эвристики того, что представляет собой « хорошая ” модель машинного обучения, например, избегание переоснащения или выбор самой простой из возможных моделей, которая хорошо работает.

Другим набором примеров служат все эвристики, которые придумали люди для обучения с учителем.

— Теоремы контролируемого обучения без бесплатного обеда, 2002.

Учитывая, что не существует лучшего единого алгоритма машинного обучения для всех возможных задач прогнозирования, это мотивирует необходимость продолжать разработку новых алгоритмов обучения и лучше понимать уже разработанные алгоритмы.

В соответствии с теоремой о бесплатном обеде нам необходимо разработать множество различных типов моделей, чтобы охватить широкий спектр данных, которые встречаются в реальном мире. И для каждой модели может быть много разных алгоритмов, которые мы можем использовать для обучения модели, которые обеспечивают различные компромиссы между скоростью, точностью и сложностью.

— Страницы 24-25, Машинное обучение: вероятностная перспектива, 2012.

Это также поддерживает аргумент тестирования набора различных алгоритмов машинного обучения для данной задачи прогнозного моделирования.

Теорема « Нет бесплатного обеда » утверждает, что без существенной информации о проблеме моделирования не существует ни одной модели, которая всегда будет работать лучше, чем любая другая модель. Из-за этого можно привести веские доводы в пользу того, чтобы попробовать широкий спектр методов, а затем определить, на какой модели сосредоточиться.

— Страницы 25-26, Прикладное прогнозное моделирование, 2013.

Тем не менее, как и в случае с оптимизацией, следствия теоремы основаны на выборе алгоритмов обучения, обладающих нулевым знанием решаемой задачи.

На практике это не так, и начинающему специалисту по машинному обучению рекомендуется просмотреть доступные данные, чтобы узнать что-то о проблеме, что может быть включено в алгоритм обучения.

Мы можем даже пойти дальше и сказать, что обучение невозможно без некоторых предварительных знаний и что одних данных недостаточно.

Тем временем практическое следствие теоремы «бесплатных обедов не бывает» состоит в том, что обучение без знаний невозможно. Одних данных недостаточно.

— Страница 64, The Master Algorithm, 2018.

Дополнительное чтение

В этом разделе содержится больше ресурсов по теме, если вы хотите углубиться.

Бумаги

• Отсутствие априорных различий между алгоритмами обучения, 1996.
• Теоремы о бесплатном обеде для поиска, 1995.
• Теоремы о бесплатных обедах для оптимизации, 1997.
• Теоремы контролируемого обучения без бесплатного обеда, 2002.

Книги

• Алгоритмы оптимизации, 2019.
• Основы метаэвристики, 2011.
• Прикладное прогнозное моделирование, 2013.
• Машинное обучение: вероятностная перспектива, 2012 г.
• Главный алгоритм, 2018.

Артикул

• Никаких бесплатных обедов в поиске и оптимизации, Википедия.
• Теорема о бесплатном обеде, Википедия.
• Теоремы о бесплатном обеде

Резюме

В этом руководстве вы открыли для себя теорему о том, что бесплатных обедов для оптимизации и поиска не бывает.

В частности, вы узнали:

• Теорема об отсутствии бесплатных обедов предполагает, что производительность всех алгоритмов оптимизации одинакова при определенных ограничениях.
• Доказуемо, что не существует единого лучшего алгоритма оптимизации или алгоритма машинного обучения.
• Практические следствия теоремы могут быть ограничены, учитывая, что нас интересует небольшое подмножество всех возможных целевых функций.

Есть вопросы?
Задавайте свои вопросы в комментариях ниже, и я постараюсь ответить.

Освойте современные алгоритмы оптимизации!

Развивайте свое понимание оптимизации

. ..с помощью всего нескольких строк кода Python

Узнайте, как это сделать, в моей новой электронной книге:
Оптимизация для машинного обучения

Он содержит учебных пособий для самостоятельного изучения с полным рабочим кодом on:
Градиентный спуск , Генетические алгоритмы , Hill Climbing , Curve Fitting , RMSProp , Adam ,
и многое другое…

Привнесите современные алгоритмы оптимизации в

Ваши проекты машинного обучения

Узнайте, что внутри

О Джейсоне Браунли

Джейсон Браунли, доктор наук, специалист по машинному обучению, обучающий разработчиков тому, как получать результаты с помощью современных методов машинного обучения с помощью практических руководств.

Просмотреть все сообщения Джейсона Браунли →

Нежное введение в алгоритмы стохастической оптимизации

Моделирование отжига с нуля в Python

Новая теорема об отказе от бесплатного обеда для квантовых нейронных сетей дает надежду на квантовое ускорение — ScienceDaily

Science News

от исследовательских организаций

2

Новая теорема о запрете бесплатного обеда для квантовых нейронных сетей дает надежду на квантовое ускорение

Дата:

24 февраля 2022 г.

Источник:

Министерство энергетики/Национальная лаборатория Лос-Аламоса

Резюме:

Область машинного обучения на квантовых компьютерах получила импульс благодаря новым исследованиям, устранившим потенциальное препятствие на пути к практической реализации квантовых нейронных сетей.

Поделиться:

ПОЛНАЯ ИСТОРИЯ

Область машинного обучения на квантовых компьютерах получила импульс благодаря новым исследованиям, устранившим потенциальное препятствие на пути к практической реализации квантовых нейронных сетей. В то время как теоретики ранее полагали, что для обучения квантовой нейронной сети потребуется экспоненциально большой обучающий набор, квантовая теорема «Нет бесплатного обеда», разработанная Лос-Аламосской национальной лабораторией, показывает, что квантовая запутанность устраняет эти экспоненциальные накладные расходы.

реклама

«Наша работа доказывает, что как большие данные, так и большая запутанность ценны в квантовом машинном обучении. Более того, запутанность приводит к масштабируемости, которая решает проблему экспоненциального увеличения размера данных для их изучения, — сказал Эндрю Сорнборгер, ученый-компьютерщик из Лос-Аламоса и соавтор статьи, опубликованной 18 февраля в Physical Review Letters. «Теорема дает нам надежду, что квантовые нейронные сети находятся на пути к цели квантового ускорения, где в конечном итоге они превзойдут своих аналогов на классических компьютерах».

Классическая теорема «Нет бесплатного обеда» утверждает, что любой алгоритм машинного обучения так же хорош, но не лучше, чем любой другой, когда его производительность усредняется по всем возможным функциям, связывающим данные с их метками. Прямым следствием этой теоремы, которая демонстрирует силу данных в классическом машинном обучении, является то, что чем больше у вас данных, тем выше средняя производительность. Таким образом, данные — это валюта в машинном обучении, которая в конечном итоге ограничивает производительность.

Новая Лос-Аламосская теорема об отсутствии бесплатного обеда показывает, что в квантовом режиме запутанность также является валютой, и ее можно обменять на данные, чтобы уменьшить требования к данным.

Используя квантовый компьютер Rigetti, команда перепутала набор квантовых данных с системой отсчета, чтобы проверить новую теорему.

«На квантовом оборудовании мы продемонстрировали, что можем эффективно нарушать стандартную теорему «Нет бесплатного обеда», используя запутанность, в то время как наша новая формулировка теоремы выдержала экспериментальную проверку», — сказал Кунал Шарма, первый автор статьи.

«Наша теорема предполагает, что запутанность следует рассматривать как ценный ресурс в квантовом машинном обучении, наряду с большими данными», — сказал Патрик Коулз, физик из Лос-Аламоса и старший автор статьи. «Классические нейронные сети зависят только от больших данных».

Запутанность описывает состояние системы частиц атомного масштаба, которое не может быть полностью описано независимо или по отдельности. Запутанность — ключевой компонент квантовых вычислений.

изменить мир к лучшему: спонсируемая возможность

История Источник:

Материалы предоставлены DOE/Лос-Аламосской национальной лабораторией . Примечание. Содержимое можно редактировать по стилю и длине.

Номер журнала :

1. Кунал Шарма, М. Сересо, Зои Холмс, Лукаш Синчио, Эндрю Сорнборгер, Патрик Дж. Коулз. Переформулировка теоремы о бесплатном обеде для запутанных наборов данных . Письма о физическом обзоре , 2022 г.; 128 (7) DOI: 10.1103/PhysRevLett.128.070501

Цитировать эту страницу :

• MLA
• АПА
• Чикаго

Министерство энергетики/Национальная лаборатория Лос-Аламоса. «Запутанность открывает масштабирование для квантового машинного обучения: новая теорема о запрете бесплатного обеда для квантовых нейронных сетей дает надежду на квантовое ускорение».