▲ 日本制铁认为,尽管量子计算机目前存在硬件限制,但在优化复杂问题时,量子计算技术仍有广阔的前景。(图:Honeywell量子解决方案公司)
用钢铁制成的产品不胜枚举,例如铁路、轮船、刀叉等等,为了确保这种抢手材料的稳定供应,钢铁制造商日本制铁集团公司目前正在研究,如何发挥量子计算的作用。
日本制铁公司2019年生产了高达5000万吨的钢材(占日本总产量的40%),还与剑桥量子计算公司(CQC)和Honeywell公司开展合作,研究量子计算机可否有可能提高供应链的效率。
经过了一年多的新算法测试和尝试后,日本制铁得出的结论是,尽管量子计算机目前的硬件限制,但在优化复杂问题时,量子计算技术具有广阔的前景。
Honeywell量子解决方案公司总裁Tony Uttley表示:“日本制铁和剑桥量子计算公司能够取得的结果表明,量子计算将成为企业寻求竞争优势的有力工具。”
钢铁制造过程是件非常复杂的事情,会涉及许多不同的步骤,而且在制造最终产品之前需要各种原材料。
相关的工厂首先对铁矿石、煤炭和其他矿物进行预处理和提炼并加工成钢坯,然后再将其转化为钢轨、钢条、钢管、管材和车轮等产品。
对此,日本制铁需要处理数以百万吨计的材料,然后找到最佳方程并确保正确的产品在正确的地点和时间出现,如此才能保证尽可能有效地交付订单。
加上还需要保证严格的最后期限,因此就不难理解,为什么日本制铁还在寻找最先进的工具,来模拟和优化整个系统并降低运营成本。
出于这个原因,纸和笔早已被复杂的软件服务所取代,日本制铁一直都是先进计算技术的长期投资者,不过即便时下最强大的超级计算机也很难给出解决如此复杂问题的最佳方案。
由于经典计算机只能提供简化和近似,日本制铁决定尝试使用量子技术并在去年宣布与量子软件公司CQC建立伙伴关系。
日本制铁首席研究员Koji Hirano表示:“工厂的调度是我们面临的最大物流挑战之一,为此,我们一直在寻找简化和改善这方面操作的方法。”
量子计算机靠的是量子比特,量子比特是一些可以处于特殊的双量子状态的微小粒子,这种状态下的量子比特能够同时进行多种计算。这意味着,一些经典计算机无法在任何现实的时间框架内解决的最复杂的问题可能终有一天在量子计算机上可以在几分钟内解决。
但是,量子计算技术仍处于起步阶段:量子计算机目前只能支持非常少的量子比特,因此无法进行商业规模的有用计算。而科学家们则对该技术的理论价值更感兴趣一些,他们正在准备在量子计算机发展成熟后充分利用该项技术的潜力。
对于日本制铁的实际工作而言,这意味着借助CQC的服务和专业知识,可以发现量子算法达到最有效地模拟和优化公司供应链的目的。
据了解,目前两家公司的研究团队都在集中精力解决一个具体的小规模问题,虽然该问题的解决并不能为日本制铁带来重大价值,但却可以利用今天的新生量子硬件解决该问题。
研究团队的研究人员为这个“代表性”问题开发了一种量子算法并成功在Honeywell公司的系统模型H1上运行了该算法,系统模型H1是Honeywell公司离子捕捉(Trapped-ion)量子计算硬件新推出的产品,该量子计算硬件具有10个可用的量子比特以及512个破纪录的量子体积。团队的科学家们表示,系统模型H1只需经过几个步骤就能够找到一个最佳解决方案。
据CQC的业务发展主管Mehdi Bozzo Rey表示:“利用这些结果可以将这个问题扩展到更大的实例,颇令人鼓舞。这个实验展示了系统模型H1与现代量子算法结合的能力以及这种新兴技术的真正前景。”
更重要的是,诸如CQC和日本制铁开发的这种优化算法,还可以被应用到制造、运输和分销等许多其他场景。
例如,今年早些时候,IBM和能源巨头埃克森美孚就透露,他们一直在合作建立各种量子算法,希望有朝一日量子算法可以优化数以万计的商船穿越海洋运送日常货物的路线,该行业市值达14万亿美元,是个可以极大地受益于运营效率的行业。
另外,日本制铁还在本月早些时候宣布了与Honeywell和CQC的合作,这次的结果是合作后的第一个成果。目前,CQC的量子软件能力正在计划与Honeywell量子硬件服务合并,该交易预计将在行业内掀起波澜。
两家公司联手后,有希望成为量子生态系统的领导者。因此,两家公司与日本制铁的早期试验结果可能只是未来许多新项目的开始,经过强强联合,双方将能够实现专业知识的互补,并把技术方案应用于各种不同行业,解决更多全球性问题。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。