El método de enseñanza de números redondos evolucionó: el nuevo enfoque diferente es el más adecuado para el aprendizaje automático y la computación cuántica.

Imagine que espera medir el costo total de las cosas en su caja de alimentos básicos para elegir si desea devolver algo. Por lo tanto, redondea al dólar más cercano por cada compra, utilizando el método de "redondear a lo más cercano" que generalmente se educa en la escuela.

Eso le incita a ajustar los gastos de cada cosa asumiendo que el segmento de cambio es algo así como cincuenta centavos y redondear hacia abajo si es menos.

Este enfoque de ajuste funciona de manera admirable para evaluar rápidamente un todo sin una minicomputadora.

Además, produce resultados similares cuando se vuelve a imprimir una tarea de ajuste específica. Por ejemplo, ajustar 4.9 al número entero más cercano producirá constantemente cinco y ajustar 302 al cien más cercano producirá continuamente trescientos.

Metodo ensenanza numeros redondos

Sin embargo, este ajuste puede presentar problemas para estimaciones en IA, registro cuántico y otras aplicaciones especializadas, dice Mantas Mikaitis, investigadora de PC en la Universidad de Manchester en Inglaterra.

"El ajuste continuo a lo más cercano podría presentar inclinación en los cálculos", dice Mikaitis. "Supongamos que su información no se transmite de una manera u otra de manera consistente, o que sus errores de ajuste no se distribuyen de manera consistente. Luego, en ese punto, se podría mantener el ajuste a un rodamiento específico que luego, en ese punto, aparecerá en el resultado fundamental como un error o inclinación allí."

Un procedimiento electivo llamado ajuste estocástico es más adecuado para aplicaciones en las que la metodología de redondeo a más cercano no alcanza el objetivo, dice Mikaitis. Propuesto por primera vez en 1949 por el investigador de PC George Elmer Forsythe, el ajuste estocástico "está encontrando en la actualidad un resurgimiento del interés", escriben Mikaitis y asociados en la Royal Society Open Science de Marzo.

Este procedimiento no está pensado para ser realizado en su mente. Considerando todas las cosas, un programa de PC redondea a un número específico con probabilidades que dependen de la distancia de la estimación genuina de ese número.

Ejemplo de Metodo ensenanza numeros redondos

Por ejemplo, 2.8 tiene un 80 por ciento de probabilidades de ajustarse a tres y un 20 por ciento de probabilidades de ajustarse a dos. Eso se basa en que es 80% "en ruta" a tres y 20 por ciento en ruta a dos, Mikaitis tiene sentido. Por otro lado, 2.5 es igualmente propenso a ajustarse a unos pocos.

Sin embargo, el rodamiento que redondeas para cualquier ejemplo de ajuste es arbitrario: No puedes anticipar cuándo 2.5 se juntará a tres y cuándo se ajustará a dos, y existe esa oportunidad del 20% de que 2.8 se ajustará de vez en cuando a dos.

Al asegurarse de que el ajuste no vaya por un camino similar para un número específico, este ciclo ayuda a protegerse contra lo que se conoce como estancamiento. Ese problema "implica que el resultado genuino se está desarrollando, mientras que el resultado del PC" no lo es, dice Mikaitis. "La pérdida de numerosas estimaciones pequeñas representa una desgracia significativa en el producto final."

Evolución del Metodo ensenanza numeros redondos

El estancamiento "es un problema al calcular", dice Mikaitis, sin embargo, representa los problemas más graves en las aplicaciones, por ejemplo, la IA que con frecuencia incluye agregar un montón de valores, una parte de los cuales es mucho más grande que otros. Con la estrategia de redondear al máximo, esto se traduce en estancamiento. En cualquier caso, con el ajuste estocástico, la posibilidad de reunir, por ejemplo, en una progresión de números pequeños que se ven obstaculizados por un par de excepciones enormes ayuda a protegerse contra esas pequeñas cualidades que abruman continuamente el ajuste y lo empujan hacia abajo.

La mayoría de las computadoras aún no están preparadas para realizar ajustes estocásticos genuinos, señala Mikaitis. Las máquinas necesitan equipos generadores de números irregulares, que se espera que ejecuten la elección probabilística de qué dirección ajustar. En cualquier caso, Mikaitis y sus socios han concebido una estrategia para recrear el ajuste estocástico en estos PC uniendo la técnica de redondeo a más cercano con tres tipos diferentes de ajuste.

El requisito de ajuste estocástico para irregularidad lo hace especialmente adecuado para aplicaciones de procesamiento cuántico. "Con el cálculo cuántico, necesitas medir un resultado comúnmente y luego llegar a un resultado normal, ya que es un resultado fuerte", dice Mikaitis. "Tienes esa irregularidad en los resultados a partir de ahora."

# Metodo ensenanza numeros redondos #