Chula Intelligent and Complex Systems - CHICS

[ประชาสัมพันธ์] สัมนาพิเศษเรื่อง Double Bracket Flow Quantum Algorithms
Siam Quantum Square (SQ2) แห่งจุฬาลงกรณ์มหาวิทยาลัย และ Chula Intelligent and Complex Systems ขอเรียนเชิญคณาจารย์ และนักวิจัยที่สนใจ เข้าร่วมรับฟังสัมมนาพิเศษในหัวข้อ Double Bracket Flow Quantum Algorithms บรรยายโดยสองผู้คิดค้นอัลกอริทึมนี้โดยตรง ซึ่งกำลังเป็นที่จับตามองในวงการอัลกอริทึมควอนตัมระดับนานาชาติ
การบรรยายเซ็ตนี้นำเสนอการพิจารณางอัลกอริทึมควอนตัมด้วย Riemannian geometry of unitary groups ซึ่งนำมาสู่มุมมองใหม่ที่เชื่อมโยงอัลกอริทึมที่รู้จักกันดีอย่าง Grover's search เข้ากับแนวคิด geodesic flow และ imaginary-time evolution ซึ่งเป็นพื้นฐานสำคัญในการเตรียม thermal quantum state
กำหนดการ: วันพุธที่ 29 ตุลาคม 2568 (ช่วงบ่าย) ห้อง 610 อาคารมหามกุฎ
(โหลดตัวอย่าง slides ได้ใน QR code ด้านล่างนี้)

What are simple rules that lead to immense complexity?

เราอาจเคยได้ยิน logistic map หรือ Game of Life ที่ใช้กฎง่าย ๆ สร้างวิวัฒนาการซับซ้อน

งานวิจัยชิ้นใหม่นี้เราได้ร่วมมือกับนักคณิตศาสตร์ในอเมริกา โปแลนด์ และ Google DeepMind อธิบายคอนเซปต์ของกฎที่เกิดขึ้นในระบบซึ่งวิวัฒนาการผ่านการเรียนรู้ [โหลดบทความฉบับเต็มฟรี 30 วัน Communications in Nonlinear Science and Numerical Simulation: Tier 1 Applied Mathematics] https://www.sciencedirect.com/science/article/pii/S1007570425003740

หนึ่งในเสน่ห์ของฟิสิกส์ทฤษฎีคือการแปลงปรากฏการณ์ต่าง ๆ ให้เป็นภาษาคณิตศาสตร์ แล้วพบว่าสารพัดระบบใช้กฎเดียวกันอธิบายได้ เช่น กฎแรงโน้มถ่วงของนิวตัน F = GMm/r² ที่ครอบจักรวาลตั้งแต่ดวงอาทิตย์ แอปเปิล ไม้จิ้มฟัน ยันเรือรบ

งานชิ้นนี้หยิบคณิตศาสตร์ด้าน one-dimensional chaos มาอธิบาย “การตัดสินใจเพื่อหวังผลตอบแทนสูงสุด” ที่อธิบายได้ในหลากหลายระบบ เช่น

-วิวัฒนาการของสิ่งมีชีวิต
-พฤติกรรมการเลือกของมนุษย์
-อัลกอริทึมปรับน้ำหนักในงาน optimization

เมื่อแปลงทุกอย่างเป็นภาษา dynamical system แล้ววิเคราะห์ เราพบว่าวิถีวิวัฒน์เหล่านี้คล้าย “rotation map” ที่หมุนด้วยมุม k/n (k กับ n เป็น coprime) ซึ่งเป็นวัตถุสำคัญในทฤษฎีความโกลาหลและระบบซับซ้อน การหมุนลักษณะนี้ทำให้เส้นทางไม่วนซ้ำง่าย ๆ แต่กระจายทั่วเส้นรอบวงบนวงกลม เชื่อมโยงกับ ergodic theory และ thermalization ในฟิสิกส์สถิติ แสดงกลไกสร้างความหลากหลายและความซับซ้อนจากกฎพื้นฐานเรียบง่าย

สรุปสั้น ๆ งานนี้เจาะศึกษากฎพื้นฐานของความซับซ้อนที่ผุดจาก “กติกาการตัดสินใจ” ง่าย ๆ นั่นเอง

สำหรับคนทั่วไปงานนี้อาจดูไร้ประโยชน์ แต่สำหรับผู้ทำ machine learning/AI การมีกฎที่เข้าใจได้ 100 % ช่วยให้ “มั่นใจ” ว่าเกิดอะไรขึ้นในระบบที่มีการเรียนรู้ เป็นฐานให้ต่อยอดความรู้ได้มั่นคง และพัฒนาระบบที่ซับซ้อนยิ่งขึ้น ประโยชน์มากน้อยอยู่ที่มุมมองและการนำ “ความรู้และความเข้าใจ” คณิตศาสตร์บริสุทธิ์นี้ไปใช้

Happy to announce that "Quantum Next Generation Reservoir Computing: An Efficient Quantum Algorithm for Forecasting Quantum Dynamics" has been accepted for publication in Quantum Machine Intelligence (Tier 1 Applied Mathematics, IF 4.1)
I'm really proud of our teamwork, which was entirely done in Thailand. Congratulations to my former master's student Apimuk Sornsaeng and Aj. Ninnat Tom Dangniam for their dedication and hard work! 👏🫶
~Summary~:
We introduce a new quantum algorithm inspired by Next Generation Reservoir Computing (NG-RC), utilizing machine learning ideas to efficiently forecast many-body quantum dynamics, both integrable and chaotic, into the far future. This model-free algorithm improves over classical variants by providing quantum computational speedup and reducing NG-RC prohibitive costs during training and prediction of quantum many-body dynamics, where classical memory needs to grow exponentially with the system size! Additionally, it processes quantum data coherently: quantum state in, future quantum state out. Key innovations include the skipping ahead technique and quantum computational speedup via block-encoding.
~An open question remains~: implementing these circuits on actual quantum devices. Anyone interested in pushing this direction, feel free to reach out!
We will share the published article in the comments once we figure out how to pay the open access fee of $3190 (~110K Baht 🥶😱). We hope to secure the necessary funds to ensure this research reaches the widest possible audience! 🥳

ไกลแค่ไหนคือใกล้ (ในงานปัญญาประดิษฐ์สายทฤษฎี)

ท่าเปลี่ยน prediction error ให้อยู่ในท่าในเรขาคณิต Kasidit Srimahajariyapong