کامپیوتر کوانتومی، مزیتی برای نظرسنجی‌های انتخاباتی؟

منتشر‌شده در: analyticsinsight به تاریخ ۳ مارس ۲۰۲۱
لینک منبع: QUANTUM COMPUTERS: IS IT A BOON FOR ELECTION POLLS?

با توجه به انفجار داده‌های بزرگ، راه‌حل‌های مدل‌سازی برای یک مساله با استفاده از الگوریتم‌های AI در حال حاضر قابل‌تصور است. یکی از حوزه‌های کلیدی که شرکت‌های تحلیلی پیش‌بینی‌کننده بر روی آن کار می‌کنند، حوزه نمایش نتایج مدل‌سازی انتخابات است.

با بازگشت به گذشته، نتایج انتخابات با استفاده از دو استراتژی کلیدی مدل‌سازی شد. از شهروندان در مورد اینکه به نفع چه کسانی رای خواهند داد سوال شد، و این استراتژی به عنوان نظرسنجی انتخاب شد. روش دوم زمانی بود که از شهروندان پرسیده شد وقتی که صندوق‌های رای را ترک کردند، به نفع چه کسی آن‌ها رای داده‌اند. این استراتژی رای‌گیری خروجی نامیده شد. نظرسنجی‌های گسترده معمولا در پیش‌بینی نتایج انتخابات دقیق‌تر از نظرسنجی‌های نظری بودند.

وقایع واضحی وجود دارند - از جمله شکست در نشان دادن سطح تحصیلات انتخاب‌کنندگان، ناچیز شمردن مداوم حمایت از رقبای انتخاباتی، اشتباهات در نظرسنجی‌های جمعیتی، تمایل به اعتماد بیش از حد به گردآورندگان نظرسنجی - که به نظر می‌رسد هنوز مدل‌های ریاضی برای آن‌ها طراحی نشده است.

ممکن است به مطالعه مقاله حل سودوکو با افزایش قدرت کوانتومی علاقمند باشید.

در هر صورت، از زمان آغاز آن‌ها، سیستم‌های یادگیری ماشینی وابسته به شبکه‌های عصبی کشف کرده‌اند که چگونه «یاد بگیرند»، یا اگر هیچ چیز دیگری را درک نکند، الگوهای شکل‌گیری یا رفتار یا پیشرفتی که شگفتی‌های اساسی را نشان می‌دهند، حتی زمانی که آن شگفتی‌های درک نشده، شناخته‌شده، یا حتی ایزوله نشده باشند.

به نظر می‌رسد که این کلاس واقعی از کاربردی است که برای آن کامپیوترهای کوانتومی (QC) ایجاد می‌شوند. در مدل ۲۰۱۶، به عنوان مثال - توجه اندکی به اشتباهات مختلفی که ممکن است در طول نمونه‌برداری در آن رخ داده باشد، کنید-- ما مدل‌هایی داشتیم که پیروزی کلینتون را در حدود ۹ به یک فرصت پیش‌بینی می‌کردند.
اما پس از آن، زمانی که آن‌ها همان مدل‌ها را اجرا کردند -- که وقتی شما ایالت‌های فردی را می‌بینید بسیار مشکل‌ساز می‌شوند-- هر ایالت فرصت برد یا باخت بسیار زیادی را به دست می‌آورد. همه اینها باید همراه با احتمالات منفرد مرتب شوند، و ما از تقریب‌ها برای ساده‌تر کردن آن استفاده می‌کنیم.

نیازی نیست این کار را با محاسبات کوانتومی انجام دهیم. یک مدل یادگیری عمیق بدون نظارت به نام ماشین بولتزمن ایجاد شد، که احتمالا می‌تواند برای برخی رویدادهای دیگر مورد استفاده قرار گیرد. این مدل پیش‌بینی کرد -با استفاده دقیق از همان اطلاعات و روندهای کلی مشابه- و واقعا نشان داد که ترامپ ملزم به برنده شدن در این رقابت سیاسی با شانس دو به یک است، هر چند که شانس او ۱۰ به یک نبود.

احتمال ۹۰٪ وجود دارد که یک کامپیوتر کوانتومی ۱۰۰ کیوبیت، با نرخ خطا بین ۱ در ۱۰ تا ۱ در ۱۰۰۰، تا سال ۲۰۲۳ ایجاد شود. با در نظر گرفتن اینکه مشکل حاشیه خطای رای‌گیری به اندازه یک مانع ناچیز است، فرض کنید که یک کامپیوتر کوانتومی مجهز به درک اشتباهات رای‌گیری برای بررسی به موقع برای انتخابات سیاسی رسمی بعدی در دسترس قرار گیرد.

اساسا، محاسبات کوانتومی بر اثرات حاصل از تحلیل رای‌گیری به هیچ وجه تاثیر نخواهد گذاشت. محاسبات کوانتومی را به عنوان یک واحد کامپیوتری عجیب و غریب در نظر بگیرید که می‌تواند برخی کارهای خاص را سریع‌تر انجام دهد. اگر شما به یک روش «کوانتومی» برای محاسبه نتایج پیش‌بینی فکر کنید، نتایج یکسان خواهند بود، فقط آن‌ها را سریع‌تر خواهید گرفت.

بزرگ‌ترین چیز در مورد یک کامپیوتر کوانتومی پردازش موازی است. این کار در عین حال که فرآیندهای زیادی را اجرا نمی‌کند؛ در تمام مدت مراحل و فرآیندها را اجرا می‌کند. هر گزینه‌ای که می‌تواند در آن قرار گیرد، به طور همزمان در حال وقوع است. کاری که ما انجام می‌دهیم تلاش برای از بین بردن تمام آن‌هایی است که ترجیح می‌دهیم آن‌ها را نبینیم، بنابراین ما وقتی که نگاهی به آن‌ها می‌اندازیم، فقط آن‌هایی را که واقعا خالص هستند را پیدا می‌کنیم.

این متن با استفاده از ربات ترجمه مقالات کوانتوم ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.