作为战略资产作为战略资产利用复杂数据的能力变得越来越重要，但目前的劳动力市场在大数据分析中具有缺乏资源。公司面临着与处理数据所需的资源不足有关的若干挑战。A long-time Maple user and quantum mechanics researcher, Marvin Weinstein, refers to the problem of extracting meaning from large data sets as, “How do we find a needle in a multi-dimensional haystack, when we don’t know what a needle is, and we don’t know if there is a needle in the haystack?”
动态量子聚类（DQC）通过使用DQC专有的枫木库和Maple 2019可视化工具创建数据的密度图来完成此壮举。DQC分析的结果是枫木动画，提供了在场景后面的复杂计算的视觉记录。根据Marvin的说法，枫木动画一直是DQC成功的重要组成部分，因为他们没有复杂数学的答案。他说，“这些动画卖掉了我们的产品，因为他们利用人类能力在时间和空间发展模式。”
随着枫木的原型化能力和可定制的功能，Marvin能够在一周内获得DQC并运行。Marvin承认“每当我避免手动做事时，我就会这样做，我这样做。”通过使用MAPLE中的DQC编译库，Quantum Insights可以具有强大的GUI，而无需从头开始构建界面。Marvin认为，时间经常浪费不必要的编码和分析任务，并利用枫树的许多内置功能，以节省他的研究。
DQC的核心是一种算法，它将无监督群集的问题映射到量子力学中的问题。它使用量子演变来识别相关信息，并通过枫动画揭示过程的细节。此动画通常会显示隐藏和意外的见解进入复杂数据。Marvin断言DQC的目的是“让数据本身讲话”。在不进行假设或假设的情况下工作的优点，而不清理数据，而不需要专家知识意味着DQC是一种数据探索方法，其比当前方法更快，更便宜，更有效。
迄今为止，DQC的主要成就之一一直是鉴定几种与多种癌症强烈相关的生物标志物。根据Marvin的说法，选择TCGA分析作为癌症研究的最初步骤，因为癌症是每个人都理解为一个大问题的问题，并且“我们都失去了我们爱癌症的人。”希望是更好的聚类方法将允许来自各种肿瘤样本的mRNA更好地将肿瘤分类为生物学相关群体。该研究确定了48名的73,000例mRNA表达，其定义了所有五种不同的癌症类型。本分析在自然科学报告中发表，已经证明了基于单独的分子信息，提供了对癌细胞型准确诊断的能力，并进一步揭示了癌细胞的显着子类型，超出了如何实现的病理学家。对mRNA表达模式的变异的敏感性是精密药物的“圣杯”，因为它有望告诉我们哪些肿瘤可能会对药物作出反应，并且肿瘤不会回应。此外，分析表明，DQC明显优于TSNE-HDBSCAN，目前用于癌症数据分析的金标准聚类方法。
现在，Marvin正在制作药替昔甙，为癌症和其他疾病提供更好的诊断和治疗方法。他的公司Quantum Insights正在努力开发有效的数据驱动策略。虽然量子洞察力的初始重点是癌症，但目标是将该研究扩展到其他医疗保健应用程序中。Marvin认为DQC技术将帮助拯救生命，无论需要更好的分析。他的研究的其他成功应用包括阿尔茨海默氏症的数据，检测违规核材料，斯隆数字天空调查数据的分析，以及利用大量数据的其他领域。
提交：3D CAD世界
告诉我们你的想法！