標籤:

你所在的計算機科學領域的 big picture 是怎樣的?

相似問題:你所在數學領域big picture是什麼?


純體力活,Big picture是失業。


謝邀. 引一下 Richard Jozsa 在 UTS QSI 成立的某個 workshop 上的 slides (Theory challenges: outlook),給了量子信息科學在理論部分(幾乎都和計算機科學相關)的一些展望:

  • Quantum algorithms and complexity
    • New quantum algorithmic techniques: for optimization problems, efficient quantum simulation, tomography compressed sensing etc;
    • Quantum Supremacy: how to use smaller (near term) quantum computers for supra-classical benefit;
    • Foundational problems of physics and computation: many-body physics from perspective of computational complexity theory (Hamiltonian complexity, QMA etc. )
  • AI/programming issues
    • Develop quantum programming languages, compilers, tools for verificaiton of correctness of quantum programs;
    • Quantum benefits for machine learning and 『big data』;
    • Optimize quantum supremacy implementations for specific architectures.
  • Quantum information theory; security issues
    • Communication issues: info capacities of quantum channels and networks;
    • Mathematical toolkit for quantum Shannon theory, theory of entanglement and other non-classical resources;
    • Post-quantum cryptography: security against quantum-enabled adversaries.

內容大致就這些, 分類可能有些爭議(畢竟要迎合一下東道主吧). 限於個人背景, 著重說一下第一部分 (algorithms complexity):

第一條是大多數人眼中 CS 視角的量子計算, 一些能指數級加速的量子演算法: 最廣為人知的是以 Shor 演算法為代表的一系列可交換隱含子群問題的量子演算法; 近十年來則是求解線性系統的 Hassdim-Harrow-Lloyd (和解線性方程組略有些區別); 再加個例子的話, 也許能帶上求解半正定規劃 (semi-definite programming) 的 Brandao-Svore 和後續工作? 通常來說提出新的量子演算法原語是非常困難的. 稍微詳細一些的版本見 Ashley Montanaro 的綜述 https://arxiv.org/abs/1511.04206 .

第二條就不展開了, 設計針對小規模量子計算機的合適的演算法和實驗直接相關.

第三條很有意思, 稍微展開一下.

一方面和凝聚態物理 (高能近年也開始有一些) 有一些聯繫, 出人意料地引入了新的視角來看待理論物理討論的對象, 很多事情其實和對量子態或者量子線路 (基於計算複雜性) 的分類有關; 比如說我們可以對二維物理系統的模擬為什麼如此困難給出新的解釋: 因為面積定律與量子態的有效表示有關, 而與之相關的兩個複雜性理論的結果 (猜想) 則是1D ~ mathrm{gapped} ~ mathsf{LHP} in mathsf{P}2D~mathrm{gapped}~mathsf{LHP}inmathsf{NP}(猜想). 因而在實踐中二維物理系統模擬的效果不佳 (和一維相比), 也和我們對 mathsf{P} 
eq mathsf{NP} 的猜測一致.

另外一方面也和實際應用有關. 一個例子是互動式證明 (interactive proof), 它與很多核心工作相關, 比如 PCP 定理或者零知識證明. 通常情形下的"理論指導實驗", 是理論給出實驗的精確預測, 但是在這裡我們並做不到; 但是我們可以通過與實驗中設備的一系列交互, 來驗證某個設備是否正常工作. 具體來說, 在互動式證明中, 我們往往假定一方 Merlin 是無所不能的 (並試圖欺騙另一方), 而另一方 Arthur 是能力有限的, Merlin 試圖通過一輪或多輪通信來說服 Arthur 某件事. 把 Merlin 換成量子設備的話, 就能幫我們驗證設備的量子性; 再加一些別的限制, 比如說 Arthur 必須在不知道 Merlin 給的數據的情況下給出結果, 也就和安全計算相關了.


萬事萬物皆可遷移


聖杯級問題:real time global illumination。


謝莎莎邀

當然是

Make LISP Great Again 啦(逃


從此之後,世間只有兩類問題。一是deep問題,二是如何把某問題轉換為deep問題。

=============好了,上面是玩笑話,以下是認真回答的分割線================

  1. Non-Convex Optimization
  2. Gradient-Free Optimization
  3. Unsupervised / Weakly Supervised Learning
  4. Zero / One shot Learning
  5. Efficient Model Pruning


計算機科學專業,不過現在去搞質量管理和企業流程了。在我這個領域,所謂的big picture是:

問題就在前三排,根源就在主席台。

退回來,與流程相關的就是軟體工程,這個也是我的領域,在這裡的big picture是:

軟體開發的問題就是需求問題,而需求問題就是溝通問題。


生物信息方向強答一波

1.消滅癌症

2.人類永生

3.續一秒


散養RA,老師比較寬容,自己挑了transfer learning方向,結合組裡背景,做一些Data Mining和Vedio/Image的嘗試。

當然,如果本科畢業還有實驗室願意繼續包養我,搞東搞西再干它個二十年不成問題。。。

1. 遷移媒介方面,抽象程度會越來越高,從假設因果,到數據/示例,再到模型/特徵,再到。。。恭喜你,可以開拓一小片知識的荒原。

2. 遷移範疇方面,source domain到target domain間跨度會越來越大。同分布到不同分布,同質到異質,同任務到不同任務,同領域到不同領域,一隻蝴蝶到一場颶風。

3. 遷移方法方面,短期內,囿於性能提升要求,會向提高通用性、提高特定任務相關性兩個方向探索,但長遠來看,強通用、跨領域、多任務才是歸宿。

P.S. 關於為什麼不看好特定任務的transfer......我愛domain knowledge,也愛dataset insight,有了它們,數據的數量和廣度不夠的時候,才能帶著鐐銬跳舞。 但鐐銬不會戴一輩子嘛~目前很多無法很好地用模型描述解決的問題,模型不夠好領域不了解,當盡人事;信息維度不夠廣,當改天命。

個人理解,盡量不給實驗室摸黑|ω?)


體系結構:

我覺得是加速器吧。

目前最火的神經網路加速器。(前段時間還提出一個圖加速器,不知道現在怎麼樣了。)

計算機很喜歡的一件事情就是提供介面

從語言角度看來

微結構 &> 微指令 &> 編譯器 &> 高級語言 &> API

通用處理器的微結構因為要應對各式各樣的需求,所以他的流水線處理的是一條一條的微指令。

而專用處理器應用需求就很單一,不用考慮太多問題,流水線處理對象直接是API,API定義了對數據的操作,流水線就直接使用硬體單元來實現這些操作。

做的優化更加具有針對性,效率提升也更加明顯。


體系結構:

1. 其實真正驅動體系結構的不是自身,而是摩爾定律

2. 摩爾定律讓晶元集成度越來越高,晶元複雜度的變化促使體系結構的演變

3. 摩爾定律即將結束,計算機體系結構何去何從?

3.1 使用新材料新技術,獲得類摩爾定律的功效:carbon nanotube, silicon photonics, 3D stacking, non-volatile memory

3.2 專用化,更多的加速IP,以犧牲通用性來獲得更高的能效比,也就是說,以後不能簡單等著摩爾定律幫我們升級硬體,我們需要花費更多時間設計專用硬體, 並優化軟體來利用硬體的特性。人的社會是個專業分工合作的過程,如果晶元在社會中足夠多足夠重要,也只能走這條路子


構建一個低能耗高並發並行處理的計算框架1 降低計算能耗asic

2 可以構成複雜系統的演算法

3 解決io的瓶頸的存儲和計算方式

4 壓縮協議棧

5 用模擬量構建邏輯,而不是基於bit

6 精簡的電器系統

7 更加高效的存儲系統


RAM(2015 NIPS WORKSHOP)


推薦閱讀:

計算機網路該如何深入學習?
為什麼研究生階段有一大堆 EE 轉 CS 的但卻很少聽說有 CS 轉 EE 的?
有哪些計算機科學方向的課程作業(Assignment/Project)值得一做?
C語言初學者,在電腦性能足夠的情況下,VS2017,codeblocks,devcpp如何選擇?
這種背景的學生,計算機專業應該怎麼選擇學校?

TAG:計算機科學 |