Hesaplama Fiziği
Bazen bir programı nasıl tersine çevirebileceğimizi gördük. Bu bölümde, geriye doğru çalıştırılabilen hesaplamaların fiziğine bir göz atacağız.
Programlarımızın çağrıştırdığı hesaplamalar elektronik bilgisayarlar tarafından yapılabilir; beynimiz gibi biyolojik sistemler tarafından; kalem ve kağıtla; ve sende ne var? Tüm uygulamalar, fiziksel süreçler oldukları ve dolayısıyla fizik yasalarına tabi oldukları gibi oldukça açık bir özelliği paylaşırlar.
Bu nedenle, şu tür soruları sormak mantıklıdır: Belirli bir hesaplamayı gerçekleştirebilecek herhangi bir cihazın minimum boyutu nedir? Maksimum boyutu nedir? Ne kadar zaman alır? Aldığı minimum enerji miktarı nedir? İkinci soruya odaklanacağız.
"Sadece" ilginç olmanın yanı sıra, birçok modern bilgi işlem sisteminin inşasıyla da ilgili bir sorudur. Enerji dağılımı, "yararlı" enerjinin "yararsız" ısıya dönüştürülmesidir. Makineden ısının uzaklaştırılma hızı kabaca makinenin yüzey alanıyla orantılıyken, ısı üretimi kabaca kapıların sayısıyla ve dolayısıyla makinenin hacmiyle orantılıdır.
Tüm mekansal boyutlara genişleterek daha büyük bir makine yaparsak, hacim yüzeyden daha hızlı büyür ve ısı sorun olur. Alternatif, makinenin boyutunu üç boyuttan yalnızca ikisinde genişletmektir, ancak bu durumda sinyallerin iletilmesi gereken mesafe artar ve makine yavaşlar. Sonuç olarak, bilgisayar yapımında enerji dağılımı ciddi bir endişe kaynağıdır.
Enerji dağılımının herhangi bir temel alt sınırı var mı? Evet, dayanan aşağıdaki argümanın gösterdiği gibi var. Argüman entropi kavramını içerir, o halde entropinin ne olduğunu görelim. Bilgi teorisine göre entropi, bir sistemdeki bilgi miktarının ölçüsüdür. i'nin sistemin olası durumlarını kapsamasına izin verin ve pi'nin sistemin i durumunda olma olasılığı olmasına izin verin.
Entropi H, log'un logaritma tabanı 2 olduğu yerde tanımlanır. H'nin ifade edildiği birim bittir. Örneğin, eşit olasılıklı iki duruma sahip bir sistemi ele alalım. O halde H = -(0,5 günlük(0,5) + 0,5 günlük(0,5)) = 1 bit. Sistemi sabit bir duruma ayarlarsak, bu durumun olasılığı 1 ve diğer durumun olasılığı 0'dır. Bu durumda entropi 0 bittir; yani, eylem 1 bit bilgiyi yok etti.
Entropi kavramı, joule/kelvin olarak tanımlandığı termodinamikte de mevcuttur. (Aslında, entropi genellikle S = k ln(!l) olarak tanımlanır, burada n, sistemdeki durumların sayısıdır, ancak bu, tüm durumların aynı olasılığa, 1 / !l sahip olduğu varsayıldığında gerçekten aynı şeydir. )
Termodinamik entropi kavramı, sistemin sıcaklığı T aracılığıyla enerjiye bağlanır: bir sistemin entropisi bir miktar azaltıldığında, sistem, entropi azaltımının sıcaklıkla çarpımına eşit enerjiyi dağıtır. Von Neumann'ın gözlemi, kln(2) gibi sabit bir faktör dışında, iki entropinin aynı kavram olduğudur.
Her şeyi bir araya getirdiğimizde, sistemin olasılık dağılımını H entropisini 1 bit azaltacak şekilde değiştirdiğimizde, S entropisinin k ln(2) joule/kelvin kadar azaldığını ve sistemin kT ln(2) joule yaydığını görürüz. ısı şeklinde enerji.
Bu nedenle, bilginin yok edilmesi, enerjinin dağılması anlamına gelir. İşte bir örnek. Bir programın iki mantıksal değişken x ve y üzerinde çalıştığını varsayalım ve dört olası başlangıç durumunun aynı olasılığa sahip olduğunu varsayalım. İlk entropi -4 · = 2 bittir. Programın atama ifadesi olmasına izin verin.
Başka bir örnek gösterir. Bir çakıl taşı eşit olasılıkla sağda ya da solda olabilir. Yapılacak işlem taşın sol çukura düşmesini sağlamaktır. Eylem, çakıl taşı sol olukta başladığında gerçekleştirilirse, o zaman hiçbir şey yapılması gerekmez ve enerji harcanmaz.
Eylem, çakıl taşı sağ olukta başladığında gerçekleştirilirse, o zaman çakıl taşını sola doğru tekmeleyerek, ona tepeden yukarı ve sonra sol tarafta aşağı yuvarlanması için yeterli kinetik enerji sağlarız.
Kuvvet konum grafiğinin eğimi neyi verir
Kuvvet konum grafiği neyi verir
Kuantum hesaplama Nedir
Kuvvet yol grafiği hız bulma
Kuvvet konum grafiğinin altında kalan alan
Kuantum HESAPLAMA
Vektörel büyüklük nedir
Türetilmiş büyüklük nedir
Yuvarlanan çakıl taşını yavaşlatır ve potansiyelden kinetik enerjiye dönüşen enerjiyi toplarsak, taş tam sol çukurun dibine geldiğinde durur. topladığımız enerji, onu doğru çukurdan dışarı atarken uyguladığımız kinetik enerjiye eşittir. Yine: hiçbir enerji dağılmaz.
Enerji dağılımı hakkında ne söylüyoruz? Hangi hatayı yaptık? Hata şu ki, hangi prosedürü uygulayacağınıza karar vermeden önce çakılın konumunu bilmeniz gerekiyor (hiçbir şey yapma vs. tekme). Çakıl taşının konumunu biliyorsanız, o zaman iki durumun eşit olasılığı yoktur ve hiçbir bilgi yok edilmez. Başlangıç konumu bilinmiyorsa, konumun ölçülmesi gerekir ve iki durum eşit olasılığa sahipse, bu işlem kT ln(2) joule enerji gerektirir.
Devamında, bilgiyi yok etmeyen hesaplamaları gerçekleştirme yöntemlerini inceliyoruz. Bu henüz enerjinin dağılmadığı anlamına gelmez - başka enerji yayma kaynakları mevcut olabilir. Enerji dağılımını tamamen önleyen bir hesaplama tekniği örneği veriyoruz ve enerji dağılımının çok düşük olduğu bir tekniği tartışıyoruz.
Her şeyi uygun bir perspektife oturtmak için tek bir açıklama gerekiyor gibi görünüyor. kT ln(2) joule mertebesinin etkilerini tartışıyoruz. Günümüz bilgisayarlarında, bit işlemi başına yaklaşık 109kT joule dağılır. Hala gitmemiz gereken uzun bir yol var.
Yapılan Devreler
Bu bölümde, bir gerçekleştirmeye çalışıyoruz. bilgileri yok etmeden hesaplama. Bir depolama elemanında bilginin yok edilmesiyle zaten karşılaştık: iki konumdan birinde olabilen çakıl taşıdır.
Her ikiduruma bir önceki değeri içeren başka bir ikidurum eklersek, önceki değeri içeren başka bir ikidurum eklersek, o zaman bilgiyi bozmadan değişkenlere değerler atayabiliriz. Sonsuz sayıda parmak arası terlik oluşturmak ve başlatmakla ilgili teknik sorunlar var, ancak ilerleme adına bunları bir an için görmezden geliyoruz.
Başka hangi bilgi imha kaynaklarımız var? Kalan kaynak, girişlerinin bazı işlevlerini hesaplayan kombinatoryal devrelerdir. Fonksiyonun tersi yoksa, bilgi yok edilir.
Örneğin, bir toplayıcının çıktısının 6 olduğunu biliyorsak, wus girişinin 2 ve 4 olduğu sonucuna varamayız. Anahtarlama teorisinden, tüm birleşimsel devrelerin boolean fonksiyonlardan nasıl inşa edilebileceğini biliyoruz. Tüm bu işlevlerden yalnızca ikisinin tersi vardır: olumsuzlama ve özdeşlik.
Bu ikisi tek başına tüm fonksiyonları oluşturmak için yeterli değildir. (Olumsuzlama ve özdeşlikten bir bağlacı nasıl hesaplarız?) Görünüşe göre yalnızca bir çıktısı olan bileşenleri dikkate almak yeterli değil; en az iki çıkışlı bileşenlere ihtiyacımız var. En basiti, gösterilen anahtardır, ancak tersine çevrilemez.
Çıkışı hesaplamak için, anahtarın solda mı yoksa sağda mı olduğunu bilmemiz gerekir. Bu nedenle, durumu açıkça belirleyen sinyali hem giriş hem de çıkış sinyali olarak dahil ediyoruz.
Bir Çalışmada Çoklu Sonuçlar veya Zaman Noktaları
Karmaşık bir veri yapısının ikinci durumu, bir çalışmanın birden fazla sonuca veya birden fazla zaman noktasına ilişkin verileri rapor ettiği, farklı sonuçların (veya zaman noktalarının) aynı katılımcılara dayandığı durumdur.
Örneğin, beş çalışmanın ders vermenin öğrenci performansı üzerindeki etkisini değerlendirdiğini varsayalım. Tüm çalışmalar aynı tasarımı izledi, öğrenciler bir dönem boyunca rastgele iki gruptan birine (özel ders veya kontrol) atandılar ve ardından okuma ve matematik yeterlilikleri için test edildiler. Etki, okuma ve matematik puanları için ayrı ayrı rapor edildi, ancak her çalışmada her iki sonuç da aynı öğrencilere dayanıyordu.
Veya aynı durumu aşağıdaki farkla düşünün. Bu sefer, her çalışmanın yalnızca okumayı test ettiğini, ancak bunu iki zaman noktasında (müdahaleden hemen sonra ve yine altı ay sonra) yaptığını varsayalım. Etki, her zaman noktası için ayrı ayrı rapor edildi, ancak her iki ölçüm de aynı öğrencilere dayanıyordu.
Bizim amaçlarımız için iki durum (aynı konular için çoklu sonuçlar veya aynı konular için çoklu zaman noktaları) aynıdır ve bu tartışmada onları bu şekilde ele alacağız. Bu bölüm boyunca sonuçlar terimini kullanacağız, ancak okuyucu her durumda zaman noktalarını değiştirebilir.
Amacımız, müdahalenin okuma üzerindeki etkisi için ve müdahalenin matematik puanları üzerindeki etkisi için ayrı ayrı bir özet etki hesaplamak olsaydı, basitçe iki ayrı meta-analiz yapardık, biri verileri okumak için, diğeri ise matematik için veriler. Bu bölümde ele aldığımız konular, her iki sonucu da aynı analize dahil etmek istediğimizde nasıl ilerleyeceğimizdir. özellikle,
- Okuma ve matematik verilerini birleştiren Temel becerilere müdahale için bir özet etki hesaplamak istiyoruz.
- Veya, okumaya karşı matematiğin etki büyüklüğündeki farkı araştırmak istiyoruz. Her iki durumda da ele almamız gereken konu, okuma ve matematik verilerinin birbirinden bağımsız değildir ve bu nedenle hatalar ilişkilidir.
SONUÇLAR VEYA ZAMAN NOKTALARINDA BİRLEŞTİRME
Beş kurgusal çalışmanın verileri Tablo 24.1’de gösterilmektedir. Örneğin 1. çalışmada, okuma için etki büyüklüğü 0,05 varyansla 0,30 ve matematik için etki büyüklüğü 0,05 varyansla 0,10’du. Her veri satırını ayrı bir çalışma olarak ele alıp on çalışma ile bir meta-analiz gerçekleştirebiliriz gibi görünse de, bu iki nedenden dolayı sorunludur.
Bir problem, çalışmalar arasında özet etkinin hesaplanmasında bu yaklaşımın, tek sonuçlu çalışmalara kıyasla iki sonuçlu çalışmalara daha fazla ağırlık vermesidir. (Bu sorun bizim çalışma grubumuzda mevcut olmasa da, sonuçların sayısı çalışmadan çalışmaya değişiyorsa bu sorun olur.)
İkinci ve daha temel sorun, bu yaklaşımın özet etkisinin kesinliğinin yanlış bir tahminine yol açmasıdır. Bunun nedeni, aslında matematik ve okuma puanları aynı öğrenci grubundan geldiğinde ve bu nedenle birbirinden bağımsız olmadığında, ayrı sonuçları bağımsız bilgi sağlayan olarak ele almasıdır.
Sonuçlar pozitif olarak ilişkiliyse (ki bu, birleştirmek istediğimiz etkilerde hemen hemen her zaman böyledir), bu yaklaşım özet etkisinin hatasını hafife alır (ve kesinliğini abartır).
Not. Sonuçlar arasındaki korelasyon negatifse, bu yaklaşım özet etkisinin hatasını fazla tahmin edecek (ve kesinliğini düşük tahmin edecektir). Aşağıda sunulan çözümler bu durumda da işe yarayacaktır, ancak tartışmada pozitif bir korelasyon ile uğraştığımızı varsayıyoruz.
Bu sorunları çözmek için, analizde her sonucu ayrı bir birim olarak ele almak yerine, her çalışma için sonuçların ortalamasını hesaplayacağız ve bu sentetik puanı analiz birimi olarak kullanacağız. Tablo 24.2’de bunu çalışma 1 için şematik olarak gösteriyoruz.
İki sonuç (matematik ve okuma) için özet verilerle başlıyoruz ve her biri için bir etki büyüklüğü ve varyansı hesaplıyoruz. Veriler sürekliyse (muayenedeki ortalamalar ve standart sapmalar) etki büyüklüğü Hedges’ g olabilir. Veriler ikili ise (ders geçen öğrenci sayısı) etki büyüklüğü log risk oranı olabilir. Ve benzeri. Ardından, hem matematik hem de okuma efektlerini içeren Temel beceriler için sentetik bir etki boyutu hesaplıyoruz. Bu etki büyüklüğünün hesaplanmasında kullanılan yöntem ve varyansı aşağıda açıklanmıştır.
Ortalamaya dahil edilen sonuçların sayısına bakılmaksızın her çalışma meta-analizde bir puanla temsil edileceğinden, bu yaklaşım daha fazla sonucu olan çalışmalara daha fazla ağırlık verilmesi sorununu çözmektedir. Bu yaklaşım ayrıca, sentetik değişkenin varyansının formülü, sonuçlar arasındaki korelasyonu hesaba katacağından, bağımsız olmayan bilgi sorununu çözmemize de olanak tanır.
Sonuçlar arasında birleşik bir etkinin hesaplanması
Notasyonumuz, bir çalışma içindeki farklı sonuçlardan veya zaman noktalarından etki büyüklükleri için Y1, Y2 vb. kullanmak ve bunların j’sine atıfta bulunmak için Yj olacaktır. Kesinlikle, i. çalışmada j. sonuç (veya zaman noktası) için Yij’i kullanmalıyız. Ancak, kolaylık sağlamak için i aboneliğini bırakıyoruz. Temel beceriler için etki büyüklüğü, okuma ve matematik puanlarının ortalaması olarak hesaplanır.
Çalışan örnekte, çalışma 1’de matematik ve okuma için etki boyutları 0,30 ve 0,10’dur, her birinin varyansı 0,02’dir. Aralarındaki korelasyonun 0,50 olduğunu bildiğimizi varsayalım. Temel beceriler (Y) için bileşik puan şu şekilde hesaplanır.
Bu formülü kullanarak, sonuçlar arasındaki korelasyon sıfır olsaydı, bileşik varyansın 0,025 olacağını görebiliriz (ki bu, tek başına her iki sonucun yarısı kadar büyüktür), çünkü ikinci sonuç tamamen bağımsız bilgi sağlar. Korelasyon 1.0 olsaydı, bileşiğin varyansı 0.050 olurdu (tek başına her iki sonuçla aynı), çünkü ikinci sonucun sağladığı tüm bilgiler gereksizdir.
Örneğimizde, korelasyonun 0,50 olduğu (bazı bilgiler gereksizdir) bileşik varyansı bu uçlar arasında düşer. Bağımsız alt gruplarla çalışırken (bu bölümün başlarında) korelasyon sıfırdı ve bu nedenle kompozitin varyansı 0.025 idi.
Bu formüller, her bir bileşik için varyansın formül (24.2)’ye dayandığı ve ağırlığın sadece varyansın tersi olduğu Tablo 24.2’yi oluşturmak için kullanılır. Bu noktada bu beş (sentetik) puanı kullanarak meta-analizlere geçebiliriz. Sabit etki modelini kullanarak bir özet etki ve diğer istatistikleri hesaplamak için, ile başlayan formülleri uygularız.
Temel beceriler konusunda öğretilen ve kontrol grupları arasındaki ortalama fark, varyans 0,0036 ve standart hata 0,060 olmak üzere 0,1819’dur. Ortalama etki için %95 güven aralığı 0,064 ila 0,300’dür. Boş değer testi için Z değeri, iki taraflı p değeri 0,003 olan 3.019’dur.