ibm认知能力测试_使用量子样模型在传感能力有限的机器人中实现感知

研究人员进行的量子模拟的截图。

在过去的几年里，研究人员一直试图将量子物理学理论应用于各个领域，包括机器人、生物学和认知科学。从量子系统(也称为量子样 (QL) 模型)中汲取灵感的计算技术，可能会比更传统的方法实现更好的性能和更复杂的能力。

意大利热那亚大学的研究人员最近研究了使用QL方法提高机器人传感能力的可行性。在之前发表的论文中，他们介绍了一个案例研究的结果，他们测试了在模拟环境中传感能力有限的机器人上的QL感知模型。

进行这项研究的研究人员之一Davide Lanza告诉TechXplore，"在阅读了安东·阿曼1993年写的一篇文章('量子理论中的Gestalt问题')之后，我想到了这项研究的想法，他把盖斯塔特感知问题与量子物理学中分子形状的归因进行了比较。"我对认知和量子现象之间的这种相似之处感到惊讶，然后我发现量子认知研究的繁荣领域。

受到阿曼提出的想法的启发，兰扎联系了他的主管富尔维奥·马斯特罗吉奥瓦尼，问他是否可以研究量子认知建模的使用，以增强机器人感知作为他硕士论文的一部分。一旦Mastrogiovanni批准了他的想法，他就开始定义一个初步模型，以测试在机器人技术中使用QL方法的可行性，与在热那亚大学从事量子计算专业的物理教授保罗·索利纳斯合作。

作为研究的第一步，Lanza和S一linas定义了一个简化的案例研究，机器人应该能够检测物体是放在它前面还是后面。他们的目标是调查 QL 模型在如此简单的情况下如何处理不确定性和感知消除歧义，这涉及到在两个选项(即正面或背面)之间进行选择，然后再将其应用于更复杂的场景。

"我们把机器人传感器收集的信息存储在一个量子位中，"Lanza解释道。允许 qubit 将两个"前"和"后"状态放在一个连贯的叠加中，从而为混合的"前后"情况提供不确定性建模。随后，当测量 qubit 时，它返回一个与该叠加相关的概率读数。

当研究人员在模拟他们定义的案例研究中测试QL感知模型时，他们发现该模型的表现与非量子技术相当。但是，该模型只有在使用称为 QASM 的量子模拟器进行测试时才能运行良好，该模拟器模拟了量子电路在经典计算设备上的执行。

实际上，在 IBM 量子体验 (IBMQ) 平台上实现模型，则导致许多错误，尤其是在对象处于模糊位置的试验中(即，当模型是否处于机器人的前面还是背面时)。因此，兰扎、索利纳斯和马斯特罗吉奥瓦尼认为，QL感知模型可以在模拟中更有效地进行测试，因为量子后端的实现在不平衡的情况下会导致许多错误。

Lanza 说："在我看来，使用 qubit 是感知和认知建模的更紧凑、更优雅的解决方案。事实上，qubit 本身就提供了量子系统的典型建模特征，无需进一步模块来处理概率结果。

最近发表在arXiv上的论文只是兰扎、索利纳斯和马斯特罗吉奥瓦尼项目的第一部分。研究人员目前正在探索将相同的QL模型应用于更复杂的场景的可能性，同时在涉及具有多个集成传感器的机器人的模拟中测试它。

他们迄今收集的发现突出了在机器人研究中引入基于量子理论的模型的潜力。将来，他们可以激励其他研究团队将人类认知的QL模型应用于机器人问题，并评估其性能。

Lanza 说："经过初步研究，我们开始进行多传感器集成，为能够插值数据并充分利用量子特性的多个传感器开发一个模型。