Nascita | 2000 |
---|---|
Formazione |
Università del Texas presso la Austin University of Washington |
Attività | Informatico |
Campo | Informatica teorica |
---|---|
Sito web | ewintang.com |
Ewin Tang è un ricercatore americano in informatica teorica nato nel 2000, specializzato in informatica quantistica e attualmente studente di dottorato presso l' Università di Washington . La sua scoperta nel 2018, all'età di 18 anni, di algoritmi applicabili dai computer classici e in grado di eseguire calcoli fino ad allora considerati realizzabili solo dai computer quantistici gli è valsa un riconoscimento scientifico eccezionalmente precoce.
Nel 2014, Ewin Tang ha pubblicato il suo primo lavoro di ricerca nel campo della tecnologia biomedica. Si concentrano sull'imaging in vivo mediante sonde ottiche di macrofagi polarizzati durante reazioni a corpi estranei, infezioni batteriche o depositi di fibrina e sul rilevamento in tempo reale della risposta dei neutrofili . Ha saltato le ultime tre classi del liceo e si è iscritta all'Università del Texas ad Austin all'età di 14 anni . Nel 2017, è stata macchiata dal professor Scott Aaronson , specialista in quantum computing, che le ha offerto di realizzare un progetto di ricerca sotto la sua direzione, lasciando lei la scelta del soggetto tra i diversi problemi aperti difficili. Tang ha scelto il problema raccomandazione. .
Prima dei risultati di Ewin Tang, i più noti algoritmi classici che risolvono alcuni problemi di algebra lineare erano esponenzialmente più lenti , sotto certi presupposti, del miglior algoritmo quantistico per lo stesso problema. Traendo ispirazione dalla soluzione quantistica basata sull'algoritmo Harrow, Hassidim e Lloyd (HHL), Tang ha scoperto algoritmi classici che risolvono questi problemi in un tempo simile a quello degli algoritmi quantistici, sotto presupposti simili, "dequantizzandoli" così e fornendo un miglioramento esponenziale sui più noti algoritmi classici.
La prima pubblicazione di Ewin Tang in Quantum Computing è la sua tesi di laurea del 2018 (in due discipline: Computing e Pure Mathematics ) intitolata A Classical Inspired Quantum-Inspired Algorithm for Recommendation Systems , a cura di Scott Aaronson . Questo lavoro descrive in dettaglio un nuovo algoritmo che risolve il problema della raccomandazione ; ad esempio, come fanno Amazon o Netflix a prevedere quali libri o film apprezzeranno personalmente un consumatore specifico? L'algebra lineare ci permette di affrontare il problema come segue: dati m utenti e n prodotti, nonché dati incompleti sui prodotti preferiti dagli utenti (organizzati in una struttura ad albero binario ); supponendo che non ci siano molti modi diversi in cui gli utenti classificano le loro preferenze (quindi la matrice delle preferenze è bassa ), quali sono i prodotti che un determinato utente potrebbe voler acquistare? Una classica strategia algebrica lineare per risolvere questo problema consiste nel ricostruire un'approssimazione della matrice di preferenza completa e utilizzarla per prevedere il prossimo prodotto preferito. Una tale strategia richiede almeno un tempo polinomiale nella dimensione della matrice. Nel 2016, Iordanis Kerenidis e Anupam Prakash hanno trovato un algoritmo quantistico esponenzialmente più veloce; questo algoritmo utilizza l'algoritmo HHL per campionare il prodotto direttamente da un'approssimazione della matrice preferibilmente senza ricostruire la matrice stessa, evitando così il limite polinomiale sopra citato. L'algoritmo classico di Tang, ispirato all'algoritmo quantistico veloce di Kerenidis e Prakash, è in grado di eseguire gli stessi calcoli ma su un normale computer senza la necessità di apprendimento automatico quantistico. Entrambi gli approcci operano in tempo polilogaritmico , il che significa che il tempo di calcolo totale è solo dell'ordine di una potenza del logaritmo delle variabili problematiche come il numero totale di prodotti e utenti. La differenza è che Tang utilizza la replica classica delle tecniche di campionamento quantistico. Prima di questo risultato, era generalmente accettato che non esistesse alcun algoritmo classico veloce; Kerenidis e Prakash non hanno tentato di studiare la soluzione classica e il lavoro originariamente assegnato a Tang da Aaronson era di provare la sua inesistenza. Ewin Tang presenta il suo lavoro il 18 e 19 giugno 2018 in un seminario di informatica quantistica dove sono presenti Kerenidis e Prakash. Dopo quattro ore di discussione, i ricercatori sono convinti della validità del classico algoritmo Tang.
Lo stesso anno ha iniziato il dottorato in informatica teorica presso l' Università di Washington sotto la supervisione di James Lee. Continua la sua ricerca e generalizza il risultato di cui sopra, dequantificando altri problemi di apprendimento automatico quantistico basati sull'algoritmo HHL: analisi delle componenti principali e regressione stocastica di basso rango.
Il risultato dimostrato da Ewin Tang suscita molte reazioni. Il suo algoritmo classico potente quanto un algoritmo quantistico per il problema della raccomandazione è generalmente considerato per eliminare uno dei migliori esempi di accelerazione quantistica . Alcuni ricercatori, tuttavia, trarre conclusioni positive per quantum computing, come Robert Young (direttore di Quantum Technology Center della Università di Lancaster ), che ha detto che "se non avessimo investito in Quantum Computing, l'algoritmo quantistico che ha ispirato M.Tang avrebbe non sono esistiti ” .
Ewin Tang è stato nominato dalla rivista Forbes nella sua lista annuale (per il 2019) dei 30 scienziati americani più influenti sotto i 30 anni.