Születés | 2000 |
---|---|
Kiképzés |
Texasi Egyetem, a washingtoni Austini Egyetem |
Tevékenység | Informatikus |
Terület | Elméleti számítástechnika |
---|---|
Weboldal | ewintang.com |
Ewin Tang amerikai számítógépes elméleti kutató 2000-ben született, kvantumszámításra specializálódott, jelenleg a washingtoni egyetem doktorandusa . 2018-ban, 18 éves korában felfedezte a klasszikus számítógépek által alkalmazható és addig számítások elvégzésére alkalmas algoritmusokat, melyeket csak a kvantumszámítógépek tudtak megvalósítani , kivételesen korai tudományos elismerést kapott.
2014-ben Ewin Tang közzétette első kutatási munkáját az orvosbiológiai technológia területén. Összpontosítanak polarizált makrofágok optikai szondáival történő in vivo képalkotásra idegen testek reakciói, bakteriális fertőzések vagy fibrin lerakódások során , valamint a neutrofil válasz valós idejű detektálására . Átugrotta a gimnázium utolsó három osztályát, és 14 évesen csatlakozott az Austini Texasi Egyetemhez . 2017-ben Scott Aaronson professzor , a kvantumszámítástechnika szakembere figyelt fel rá, aki felajánlotta neki, hogy végezzen egy kutatási projektet az irányítása alatt, így számos nehéz, nyitott probléma közül választhatja a témát. Tang az ajánlási problémát választotta .
Ewin Tang eredményei előtt a legismertebb klasszikus algoritmusok, amelyek bizonyos lineáris algebra problémákat oldottak meg , bizonyos feltételezések mellett exponenciálisan lassabbak voltak , mint az azonos probléma legjobb kvantum algoritmusa. Ihletet merítve a Harrow, Hassidim és Lloyd (HHL) algoritmuson alapuló kvantum megoldásból , Tang felfedezte a klasszikus algoritmusokat, amelyek hasonló feltételezések mellett a kvantum algoritmusokhoz hasonló időben megoldották ezeket a problémákat, "dekantálva őket", és ezzel exponenciális javulást nyújtva a legismertebb klasszikus algoritmusok felett.
Ewin Tang első publikációja a Quantum Computing- ban a 2018. évi egyetemi diplomamunkája (két tudományterületen: Számítástechnika és Tiszta Matematika ) címmel A klasszikus inspirált kvantum inspirált algoritmus az ajánlási rendszerekhez címmel , Scott Aaronson szerkesztésében . Ez a munka egy új algoritmust részletez, amely megoldja az ajánlási problémát ; például hogyan jósolja az Amazon vagy a Netflix, hogy mely könyveket vagy filmeket élvezheti egy adott fogyasztó személyesen? A lineáris algebra lehetővé teszi a probléma következő megközelítését: adott m felhasználó és n termék, valamint hiányos adatok azokról a termékekről, amelyeket a felhasználók preferálnak ( bináris fa struktúrába rendezve ); feltételezve, hogy a felhasználók nem sokféle módon rangsorolják preferenciáikat (tehát a preferencia mátrix alacsony rangsorban van ), mely termékeket érdemes megvásárolni egy adott felhasználónak? A probléma megoldásának klasszikus lineáris algebrai stratégiája az, hogy rekonstruálja a teljes preferencia mátrix közelítését és felhasználja a következő előnyös termék előrejelzésére. Egy ilyen stratégia legalább polinomiális időt igényel a mátrix dimenziójában. 2016-ban Iordanis Kerenidis és Anupam Prakash exponenciálisan gyorsabb kvantumalgoritmust találtak; ez az algoritmus a HHL algoritmust használja a termék mintavételezésére közvetlenül a mátrix közelítéséből, előnyösen anélkül, hogy rekonstruálná magát a mátrixot, elkerülve ezzel a fent említett polinomiális határt . Tang klasszikus algoritmusa, amelyet Kerenidis és Prakash gyors kvantum algoritmusa ihletett, képes ugyanazokat a számításokat elvégezni, de normál számítógépen, kvantumgépi tanulás nélkül . Mindkét megközelítés polilogaritmikus időben működik , ami azt jelenti, hogy a teljes számítási idő csak a problémaváltozók, például a termékek és a felhasználók teljes számának logaritmusának egy hatványának nagyságrendjébe esik . A különbség az, hogy Tang a kvantum mintavételi technikák klasszikus replikációját használja. Ezen eredmény előtt általánosan elfogadták, hogy nem létezik gyors klasszikus algoritmus; Kerenidis és Prakash nem próbálták tanulmányozni a klasszikus megoldást, és Aaronson által eredetileg Tangnak rendelt feladat az volt, hogy bebizonyítsa a nem létezését. Ewin Tang 2018. június 18-án és 19-én mutatja be munkáját egy kvantumszámítási műhelyben, ahol Kerenidis és Prakash vannak jelen. Négy órás vita után a kutatók meg vannak győződve a klasszikus Tang algoritmus érvényességéről.
Ugyanebben az évben doktori címet szerzett az elméleti informatikából a Washington Egyetemen James Lee felügyelete alatt. Folytatja a kutatását és általánosítja a fenti eredményt azáltal, hogy a HHL algoritmus alapján dekvantálja más kvantumm gépi tanulási problémákat: a fő komponens elemzése és az alacsony rangú sztochasztikus regresszió .
Az Ewin Tang által bizonyított eredmény sok reakciót vált ki. Klasszikus algoritmusa, amely olyan hatékony, mint az ajánlási probléma kvantumalgoritmusa, általában úgy tekinthető, hogy kiküszöböli a kvantumgyorsítás egyik legjobb példáját . Egyes kutatók azonban felhívni a pozitív következtetéseket kvantum számítástechnika, mint Robert Young (rendező Quantum Technology Center a University of Lancaster ), aki azt mondta, hogy „Ha nem fektetett kvantum számítástechnika, kvantum algoritmus, amely inspirálta M.Tang lenne nem léteztek ” .
Ewin Tangot a Forbes magazin megnevezi a 30 leghatékonyabb amerikai tudós éves listáján (2019-re).