| Syntymä | 2000 |
|---|---|
| Koulutus |
Texasin yliopisto Austinin yliopistossa Washingtonissa |
| Toiminta | Tietotekniikka |
| Ala | Teoreettinen tietojenkäsittelytiede |
|---|---|
| Verkkosivusto | ewintang.com |
Ewin Tang on yhdysvaltalainen tutkija tietotekniikassa, syntynyt vuonna 2000, erikoistunut kvanttilaskentaan ja tällä hetkellä tohtorikoulutettava Washingtonin yliopistossa . Hänen löytönsä vuonna 2018, 18-vuotiaana, algoritmeista, joita klassiset tietokoneet soveltavat ja jotka pystyvät suorittamaan siihen asti vain kvanttitietokoneiden saavutettavissa olevia laskutoimituksia, on ansainnut hänelle poikkeuksellisen varhaisen tieteellisen tunnustuksen.
Vuonna 2014 Ewin Tang julkaisi ensimmäisen tutkimustyönsä lääketieteellisen tekniikan alalla. Ne keskittyvät in vivo -kuvantamiseen polarisoituneiden makrofagien optisilla koettimilla vieraiden kappaleiden, bakteeri-infektioiden tai fibriinikertymien reaktioiden aikana ja neutrofiilivasteen reaaliaikaiseen havaitsemiseen . Hän ohitti lukion viimeiset kolme luokkaa ja liittyi Texasin yliopistoon Austiniin 14-vuotiaana . Vuonna 2017 hänet huomasi professori Scott Aaronson , kvanttilaskennan asiantuntija, joka tarjosi hänelle suorittaa tutkimushanke hänen johdollaan, jolloin hän valitsi aiheen useiden vaikeiden avoimien ongelmien joukossa. Tang valitsi suositusongelman .
Ennen Ewin Tangin tuloksia tunnetuimmat klassiset algoritmit, jotka ratkaisivat tietyt lineaariset algebraongelmat, olivat eksponentiaalisesti hitaampia tietyissä olettamuksissa kuin saman ongelman paras kvanttialgoritmi. Haettuaan inspiraatiota Harrow-, Hassidim- ja Lloyd (HHL) -algoritmiin perustuvasta kvanttiratkaisusta , Tang löysi klassiset algoritmit, jotka ratkaisivat nämä ongelmat kvanttialgoritmien kaltaisessa ajassa samankaltaisten olettamusten mukaisesti, "dekvantisoivat ne" täten ja antaen eksponentiaalisen parannuksen tunnetuimpien klassisten algoritmien yli.
Ewin Tangin ensimmäinen julkaisu Quantum Computing -operaatiossa on hänen vuonna 2018 suorittama opinnäytetyönsä (kahdella tieteenalalla: Tietojenkäsittely ja puhdas matematiikka ), jonka otsikko on Klassisen inspiroima kvantti-innoittama suositusjärjestelmien algoritmi , toimittaja Scott Aaronson . Tässä työssä kuvataan uusi algoritmi, joka ratkaisee suositusongelman ; esimerkiksi kuinka Amazon tai Netflix ennustaa mistä kirjoista tai elokuvista tietty kuluttaja nauttii henkilökohtaisesti? Lineaarisen algebran avulla on mahdollista lähestyä ongelmaa seuraavasti: annetut m käyttäjät ja n tuotetta sekä puutteelliset tiedot tuotteista, joita käyttäjät suosivat (järjestetty binääripuurakenteeseen ); olettaen, että käyttäjillä ei ole monia eri tapoja luokitella mieltymyksensä (joten asetusten matriisi on matalalla ), mitkä ovat tuotteet, joita tietty käyttäjä haluaa ostaa? Klassinen lineaarinen algebrallinen strategia tämän ongelman ratkaisemiseksi on rekonstruoida koko etusijamatriisin likiarvo ja käyttää sitä seuraavan edullisen tuotteen ennustamiseen. Tällainen strategia vaatii ainakin polynomin ajan matriisin ulottuvuudessa. Vuonna 2016 Iordanis Kerenidis ja Anupam Prakash löysivät eksponentiaalisesti nopeamman kvanttialgoritmin; tämä algoritmi käyttää HHL-algoritmia ottaakseen tuotteen suoraan matriisin likiarvosta, edullisesti rekonstruoimatta itse matriisia, välttäen siten edellä mainittua polynomirajaa . Tang klassinen algoritmi innoittamana Kerenidis ja Prakash nopea kvanttialgoritmi, pystyy suorittamaan saman laskelmia vaan tavallinen tietokone ilman kvantti koneoppimisen . Molemmat lähestymistavat toimivat polylogaritmisessa ajassa , mikä tarkoittaa, että kokonaislaskennan aika on vain ongelmamuuttujien, kuten tuotteiden ja käyttäjien kokonaislukumäärän, logaritmin yhden asteen suuruusluokkaa . Erona on, että Tang käyttää kvanttinäytteenottotekniikoiden klassista replikointia. Ennen tätä tulosta hyväksyttiin yleisesti, ettei nopeaa klassista algoritmia ollut olemassa; Kerenidis ja Prakash eivät yrittäneet tutkia klassista ratkaisua, ja Aaronsonin alun perin Tangille osoittama tehtävä oli todistaa sen olemattomuus. Ewin Tang esittelee työnsä 18. ja 19. kesäkuuta 2018 kvanttilaskennan työpajassa, jossa Kerenidis ja Prakash ovat läsnä. Neljän tunnin keskustelun jälkeen tutkijat ovat vakuuttuneita klassisen Tang-algoritmin pätevyydestä.
Samana vuonna hän aloitti teoreettisen tietojenkäsittelytieteen tohtorin tutkinnon Washingtonin yliopistossa James Leen valvonnassa. Hän jatkaa tutkimustaan ja yleistää yllä olevan tuloksen kvantifioimalla muut kvanttikoneoppimisongelmat HHL-algoritmin perusteella: pääkomponenttianalyysi ja matalatasoinen stokastinen regressio .
Ewin Tangin todistama tulos herättää monia reaktioita. Sen klassisen algoritmin, joka on yhtä tehokas kuin suositusongelman kvanttialgoritmi, katsotaan yleensä poistavan yhden parhaista esimerkeistä kvanttikiihtyvyydestä . Jotkut tutkijat kuitenkin kiinnittää positiivisia johtopäätöksiä kvanttilaskentaa, kuten Robert Young (johtaja Quantum Technology Center n yliopiston Lancaster ), joka sanoi, että "Jos emme olisi sijoittanut Kvanttilaskennassa, kvantti algoritmi, joka inspiroi M.Tang olisi ei ole ollut olemassa .
Forbes- lehti on nimittänyt Ewin Tangin vuotuisessa luettelossaan (2019) 30 vaikutusvaltaisimmasta alle 30-vuotiaasta amerikkalaisesta tutkijasta.