ลองนึกภาพว่าจำเป็นต้องประเมินค่าใช้จ่ายทั้งหมดของรายการในตะกร้าร้านขายของชำของคุณเพื่อตัดสินใจว่าจะนำบางสิ่งบางอย่างกลับมาหรือไม่ ดังนั้นคุณจึงไปที่ดอลลาร์ที่ใกล้ที่สุดสำหรับการซื้อที่มีศักยภาพแต่ละครั้งโดยใช้เทคนิค "ไปรอบ ๆ ที่เร็วที่สุด" ที่สอนโดยทั่วไปในโรงเรียน นั่นกระตุ้นให้คุณปัดราคาของแต่ละรายการขึ้นหากส่วนการเปลี่ยนแปลงอย่างน้อย 50 เซ็นต์และปัดเศษลงหากน้อย
วิธีการปัดเศษนี้ทำงานได้ดีสำหรับการประเมินทั้งหมดอย่างรวดเร็วโดยไม่ต้องเครื่องคิดเลข และมันให้ผลลัพธ์เดียวกันเมื่อมีการทำภารกิจการปัดเศษซ้ำ ตัวอย่างเช่นการปัดเศษ 4.9 ถึงจำนวนทั้งหมดที่ใกล้ที่สุดมักจะให้ห้าและการปัดเศษ 302 ถึงร้อยที่ใกล้ที่สุดจะให้ 300 เสมอ
แต่การปัดเศษประเภทนี้อาจก่อให้เกิดปัญหาสำหรับการคำนวณในการเรียนรู้ของเครื่องการคำนวณควอนตัมและการใช้งานทางเทคนิคอื่น ๆ Mantas Mikaitis นักวิทยาศาสตร์คอมพิวเตอร์ของมหาวิทยาลัยแมนเชสเตอร์ในอังกฤษกล่าว
“ การปัดเศษไปยังที่ใกล้ที่สุดเสมออาจแนะนำอคติในการคำนวณ” Mikaitis กล่าว “ สมมติว่าข้อมูลของคุณไม่ได้กระจายอย่างสม่ำเสมอหรือข้อผิดพลาดในการปัดเศษของคุณไม่ได้กระจายอย่างสม่ำเสมอจากนั้นคุณสามารถปัดเศษไปในทิศทางที่แน่นอนซึ่งจะปรากฏในผลลัพธ์หลักเป็นข้อผิดพลาดหรืออคติที่นั่น”
เทคนิคทางเลือกเรียกว่าการปัดเศษสุ่มเหมาะกว่าสำหรับแอพพลิเคชั่นที่วิธีการที่จะไปรอบ ๆ จะสั้นลง Mikaitis กล่าว เสนอครั้งแรกในปี 1949 โดยนักวิทยาศาสตร์คอมพิวเตอร์ George Elmer Forsythe, การปัดเศษสุ่ม“ กำลังประสบกับการฟื้นตัวที่น่าสนใจ” มิกิตาทิสและเพื่อนร่วมงานเขียนในเดือนมีนาคมRoyal Society Open Science-
เทคนิคนี้ไม่ได้หมายถึงการทำในหัวของคุณ แต่โปรแกรมคอมพิวเตอร์จะหมุนไปยังหมายเลขหนึ่งที่มีความน่าจะเป็นที่ขึ้นอยู่กับระยะทางของการวัดจริงจากจำนวนนั้น ตัวอย่างเช่น 2.8 มีโอกาส 80 เปอร์เซ็นต์ในการปัดเศษเป็นสามและ 20 เปอร์เซ็นต์ของการปัดเศษเป็นสอง นั่นเป็นเพราะมันเป็น 80 เปอร์เซ็นต์“ ระหว่างทาง” ถึงสามและ 20 เปอร์เซ็นต์ตลอดทางไปยังสอง Mikaitis อธิบาย อีกทางเลือกหนึ่งคือ 2.5 มีแนวโน้มที่จะปัดเศษเป็นสองหรือสาม
แต่ทิศทางที่คุณปัดเศษสำหรับการปัดเศษใด ๆ คือการสุ่ม: คุณไม่สามารถคาดการณ์ได้ว่า 2.5 จะถูกปัดเศษขึ้นเป็นสามและเมื่อใดที่มันจะถูกปัดเศษเป็นสองและมีโอกาส 20 เปอร์เซ็นต์ที่ 2.8 บางครั้งจะถูกปัดเศษเป็นสอง
ด้วยการตรวจสอบให้แน่ใจว่าการปัดเศษไม่ได้ไปในทิศทางเดียวกันเสมอไปสำหรับหมายเลขเฉพาะกระบวนการนี้จะช่วยป้องกันสิ่งที่เรียกว่าซบเซา ปัญหานั้น“ หมายความว่าผลลัพธ์ที่แท้จริงกำลังเพิ่มขึ้นในขณะที่ผลลัพธ์ของคอมพิวเตอร์” ไม่ได้เป็น Mikaitis กล่าว “ มันเกี่ยวกับการสูญเสียการวัดขนาดเล็กจำนวนมากที่เพิ่มความสูญเสียครั้งใหญ่ในผลลัพธ์สุดท้าย”
ความซบเซา“ เป็นปัญหาในการคำนวณโดยทั่วไป” Mikaitis กล่าว แต่มันก่อให้เกิดปัญหาที่ใหญ่ที่สุดในแอปพลิเคชันเช่นการเรียนรู้ของเครื่องจักรมักจะเกี่ยวข้องกับการเพิ่มค่าจำนวนมากโดยบางคนมีขนาดใหญ่กว่าคนอื่น ๆ (SN: 2/24/22- ด้วยวิธีการที่เป็นแบบกลมถึงผู้ที่จะส่งผลให้เกิดความซบเซา แต่ด้วยการปัดเศษแบบสุ่มโอกาสในการปัดเศษขึ้นตัวอย่างเช่นในชุดของตัวเลขขนาดเล็กส่วนใหญ่ที่ถูกขัดจังหวะด้วยค่าผิดปกติขนาดใหญ่สองสามตัวช่วยป้องกันค่าเล็ก ๆ เหล่านั้นมักจะมีอำนาจเหนือการปัดเศษและผลักมันลง
คอมพิวเตอร์ส่วนใหญ่ยังไม่พร้อมที่จะทำการปัดเศษสุ่มอย่างแท้จริง Mikaitis กล่าว เครื่องจักรไม่มีเครื่องกำเนิดตัวเลขสุ่มของฮาร์ดแวร์ซึ่งจำเป็นต้องใช้ในการตัดสินใจในการตัดสินใจแบบใด อย่างไรก็ตาม Mikaitis และเพื่อนร่วมงานของเขาได้คิดค้นวิธีการจำลองการปัดเศษแบบสุ่มในคอมพิวเตอร์เหล่านี้โดยการรวมวิธีการรอบแบบรอบต่อหน้ากับการปัดเศษอีกสามประเภท
ความต้องการการสุ่มของการสุ่มแบบสุ่มทำให้เหมาะอย่างยิ่งคอมพิวเตอร์ควอนตัมแอปพลิเคชัน (SN: 10/4/21- “ ด้วยการคำนวณควอนตัมคุณต้องวัดผลลัพธ์หลายครั้งแล้วได้ผลลัพธ์โดยเฉลี่ยเพราะมันเป็นผลลัพธ์ที่มีเสียงดัง” Mikaitis กล่าว “ คุณมีการสุ่มในผลลัพธ์แล้ว”
