斯坦福大学应用物理学教授、量子神经网络科学家Surya Ganguli教授
Suryaguli，斯坦福大学应用物理学教授，谷歌客座研究教授，量子神经网络科学家。国家科学基金会职业奖、MMLS·西蒙斯研究员奖、麦克奈特学者奖、詹姆斯·s·麦克唐奈基金会人类认知学者奖、阿尔弗雷德·p·斯隆基金会奖等获得者。
从数学到物理，从物理到神经网络
甘古利是一名校长。短短五年时间，他完成了麻省理工学院电气工程和计算机科学、数学和物理的本科学业，并获得了电气工程和计算机科学的硕士学位。有意思的是，在成为量子信息科学家之前，甘古利一度对人工智能“失望”。作为一个早在童年时期就立志成为人工智能领域科学家的科学家，甘古利在少年时期几乎读完了市图书馆所有的人工智能书籍。巧合的是，这些书都是麻省理工学院的教授写的，于是在1993年，甘古利以班级第一名的成绩进入了麻省理工学院，开始了他的专业学习生涯。但很快，在第一堂人工智能专业课上，充满学术激情的甘古丽被泼了一盆“冷水”:“我永远不会忘记教授对‘我们是不是应该尝试对大脑进行逆向工程’的评论回答——不不不，忽略大脑，它只会迷惑你。你需要做的就是弄清楚你的大脑在运行什么软件程序。"
众所周知，逆向工程大脑已经成为人工智能的美好未来。教授的教学理念严重冲击了甘古丽，以至于他开始怀疑是否有必要继续从事人工智能。
“在那段迷茫的时期，我开始在数学、物理、计算机等领域探索，并且主修了这三个专业。”正是在这个多学科的学习阶段，甘古利深受物理学家理查德·费曼讲座的启发，开始向往量子力学和物理学。
1998年，甘古利前往加州伯克利继续攻读物理和数学研究生，并选择攻读弦理论博士学位。
之所以选择弦理论作为研究领域，甘古利解释道:“我认为弦理论是物理学中最基础的学科。形象地说，弦理论意味着每个粒子都会变成不同类型的物理分类，比如一个振动模式变成引力子，另一个振动模式变成光子...用量子力学的方式，你真的可以把这两样东西统一起来。这是一个数学上自洽的理论。”
在博士学习即将结束的时候，甘古利遇到了一个重要的转折点——那是一场意识形态的战斗:成为一名更理论化的数学家，还是一名工程应用科学家？对于甘古丽来说，是他年轻时的梦想决定了他们之间选择的结果。
“最后，在计算神经科学魅力的冲击下，我再次坚定了对神经科学和机器学习的研究信念。”
因此，2004年，甘古利获得博士学位后，先后进入USCF医疗机构和加州大学斯隆-斯沃茨理论神经生物学中心开展博士后工作，正式开始系统学习和研究神经网络领域。
人工智能的“钉子”和“进化”
2012年，甘古利以应用物理学教授的身份进入斯坦福大学，领导神经动力学和计算实验室，致力于逆向工程神经元和突触网络的研究，以在多个空和时间尺度上促进感觉感知、运动控制、记忆和其他认知功能。
Suryaguli右
从“猴子如何在视觉空[1]之间分配注意力”这一课题开始，Ganguli在神经网络和深度学习领域开展了许多实验和理论研究，并产生了大量成果。
甘古利指出，“实验神经科学的显著进步使我们能够同时观察许多神经元的活动，以了解大脑的瞬时集体动力学如何实例化学习和认知。然而，从大型和高维神经数据集中有效提取这种概念理解需要在理论驱动的实验设计、数据分析和神经回路建模方面同时取得进展。”
在实验方面，甘古利的研究涵盖“利用无监督张量分量分析提取描述”、“单个实验电路的学习状态”、“深度线性神经网络中学习到的非线性动力学的精确解”；“通过突触智能持续学习的可能性”、“神经科学的深度学习框架”、“利用非平衡热力学的深度无监督学习”、“环境边界作为网格单元的纠错机制”等。
谈及机器学习在数据标记和数据工程任务中的局限性，甘古利说:“AI算法的数据‘饥渴’就像一颗击中头部的钉子。要知道，机器学习在于预测，而用来求解预测的神经网络的内部表示，对于机器学习任务的后续训练其实是非常有用的。”
他认为当前机器学习的预测能力值得肯定，但不应该仅仅是被动的训练数据。机器学习的下一个前沿是:建立现实模型的业务，使用这些现实模型来想象未来并做出决策，检查违规行为以修改现实模型，并积极进行实验。
2021年，Ganguli团队在人工智能领域取得重要成果[2]:为了研究物理身体对AI的价值，他们设计了深度进化强化学习计算框架，证明了物理化是人工智能进化的关键。为了更形象地展示出来，他们还设计了一个实验，一个虚拟生物在虚拟环境中执行学习任务，展示人工智能的自我进化能力。作为业界首次，他们通过改变物理形态加速机器学习的研究引起了热烈反响。
人工智能走向量子神经网络
近二十年来，随着量子技术的飞速发展，计算科学和应用正在发生前所未有的变化。“我们正在见证物理学、计算科学和神经生物学之间令人兴奋的跨学科互动。”甘古利说，“一方面，我们可以利用理论物理和应用数学中发展起来的复杂系统分析的力量，阐明控制生物和人工神经网络进行学习和发挥作用的设计原则；另一方面，我们可以使用新的物理来实例化和分析原子自旋和光子的使用，以构建一种新型的量子神经形态计算机。”
被量子神经网络的魅力所吸引，甘古丽近年来开始将光量子技术路线作为主要研究方向。在光量子神经网络方面，Ganguli与斯坦福大学众多专家科研团队一起开展了大量的重点研究。
2020年，由甘古利、斯坦福大学山本义久教授、马渊秀夫教授和东京大学国际神经智能研究中心蒂莫西·勒鲁教授共同完成的研究成果《相干伊辛机器:量子光学和神经网络视角》发表在《应用物理快报》杂志上。他们阐述了量子神经网络、相干伊辛机等量子机器的新研究领域，创造性地提出了两种实现光量子神经网络的方法。
近日，Ganguli团队在神经元信号结构研究方面取得新进展，相关研究成果已在国际顶级期刊Nature上注册[3]。在实验中，该团队展示了其用于解释信号的计算机模型“解码器”对神经噪声具有鲁棒性，并再次验证了大脑噪声是结构化的。甘古利说，尽管相关噪声的重要性尚不清楚，但在实验中考虑噪声时，解码器的准确性将会提高。这是制造新机器的关键一步。
参考:
【1】Surya Ganguli等人，“LIP中注意力和决策的一维动力学”Neuron58，.
【2】阿格里姆·古普塔(Agrim Gupta)等，“通过学习和进化实现的智慧”，《自然通讯》12，.
【3】萨德格·易卜拉希米等，“感觉皮层编码和区际交流中的涌现可靠性”，《自然》，37。
编译:王燕/李梅
编辑:王燕
