Wiele osób uważa, że komputery kwantowe mogą okazać się kluczowym krokiem w tworzeniu nowych algorytmów uczenia maszynowego i sztucznej inteligencji, które mogą dać ogromny impuls w tej dziedzinie. Były nawet badania, że nasz mózg może być komputerem kwantowym, ale jak dotąd nie ma zgody wśród badaczy.
Biorąc pod uwagę, że jestem zupełnie nowy w tej dziedzinie, chciałem wiedzieć, czy przeprowadzono jakieś badania nad zastosowaniem komputerów kwantowych w sztucznej inteligencji, które teoretycznie mogą lepiej wykonywać niektóre zadania lub zbiegać się szybciej niż współczesne algorytmy głębokiego uczenia.
machine-learning
artificial-intelligence
Piyush Kathuria
źródło
źródło
Odpowiedzi:
Odpowiem tylko na część pytania dotyczącą tego, w jaki sposób mechanika kwantowa może być przydatna w analizie klasycznych danych za pomocą uczenia maszynowego. Są też prace związane z „kwantową AI”, ale jest to coś o wiele bardziej spekulacyjnego (i mniej zdefiniowanego) rodzaju, do którego nie chcę wchodzić.
Czy zatem komputery kwantowe można wykorzystać do przyspieszenia analizy danych za pomocą algorytmów uczenia maszynowego ? Cytując Scotta Aaronsona Przeczytaj drobny papier do drukowania , to proste pytanie ze skomplikowaną odpowiedzią .
Przede wszystkim należy zauważyć, że próba odpowiedzi na tego rodzaju pytanie jest dużą częścią tego, o czym jest obszar badań w Kwantowym uczeniu maszynowym (ostatnio preferowane są pojęcia uczenia maszynowego wzmocnionego kwantem lub uczenia maszynowego wspomaganego kwantem odnieść się do tego połączenia QM i ML, aby odróżnić je od użycia ML do rozwiązywania problemów w QM). Jak widać na stronie Wikipedii, w tej dziedzinie dzieje się wiele rzeczy i nie ma sensu przedstawiać tutaj wyczerpującej listy odpowiednich artykułów, ponieważ szybko by się to utraciło.
Cytowanie z Schuld i in. 2014 r. Idea uczenia maszynowego wspomaganego kwantem (QAML) jest następująca:
Wracając do twojego pytania, pierwszą pozornie pozytywną odpowiedź udzielił Harrow i in. 2009 , który dał skuteczny algorytm kwantowy do odwracania liniowego układu równań (w szeregu warunków w układzie), działającego, gdy dane są przechowywane w stanach kwantowych. Będąc podstawową operacją algebry liniowej, odkrycie doprowadziło do wielu proponowanych algorytmów kwantowych do rozwiązywania problemów uczenia maszynowego przez niektórych tych samych autorów ( 1307.0401 , 1307.0411 , 1307.0471 ), a także przez wielu innych. Jest teraz wiele recenzji, na które możesz spojrzeć, aby uzyskać bardziej wyczerpujące listy referencji, takie jak 1409.3097 , 1512.02900 , 1611.09347 ,+1.707,08561 , +1.708,09757 , książka Petera Wittek za , a może więcej.
Jednak dalekie jest od ustalenia, jak to działałoby w praktyce. Niektóre z powodów są dobrze wyjaśnione w pracy Aaronsona: Przeczytaj drobny druk (patrz także opublikowana wersja: nphys3272 ). Mówiąc z grubsza, problem polega na tym, że algorytmy kwantowe zazwyczaj obsługują „dane” przechowywane w stanach kwantowych, często kodując wektory w amplitudach stanu. Tak jest na przykład w przypadku QFT i nadal tak jest w przypadku HHL09 i dzieł pochodnych.
Dużym problemem (lub jednym z dużych problemów) jest to, że nie jest wcale oczywiste, jak efektywnie ładować „duże” klasyczne dane do tego stanu kwantowego w celu przetworzenia. Typowa odpowiedź na to pytanie „musimy po prostu użyć qRAM ”, ale wiąże się to również z wieloma zastrzeżeniami, ponieważ proces ten musi być bardzo szybki, aby utrzymać wykładnicze przyspieszenie, które możemy teraz osiągnąć, gdy dane będą już dostępne. forma kwantowa. Ponownie odsyłam do artykułu Aaronsona w celu uzyskania dalszych szczegółów na temat zastrzeżeń.
źródło
Są argumenty, że nasze mózgi są mechaniką kwantową, i argumenty przeciwko, więc jest to gorący temat dyskusji. Fisher z UCSB zastanawia się nad tym, w jaki sposób mózgi mogą nadal wykorzystywać efekty kwantowe, mimo że nie mają natury mechaniki kwantowej. Chociaż nie ma bezpośrednich dowodów eksperymentalnych, są dwa odniesienia, które warto przeczytać:
Poznanie kwantowe: możliwość przetwarzania za pomocą spinów jądrowych w mózgu
Czy jesteśmy komputerami kwantowymi, czy tylko sprytnymi robotami?
Teraz, na temat korzystania z obliczeń kwantowych i uczenia maszynowego, Rigetti Computing zademonstrował algorytm grupowania wykorzystujący prototypowe układy kwantowe (19 kubitów). Swoje wyniki opublikowali w białej księdze na arXiv.org tutaj:
Jest więc wyraźna okazja, aby rozwinąć uczenie maszynowe, a w końcu sztuczną inteligencję za pomocą imho obliczeń kwantowych.
źródło
Wiele pracy wykonanej do tej pory z komputerami kwantowymi koncentrowało się na rozwiązywaniu problemów optymalizacji kombinatorycznej. Zarówno kwarcowe wyżarzacze w stylu D-Wave, jak i nowsze maszyny Gate Model firmy Rigetti, IBM i Google rozwiązują kombinatoryczne problemy z optymalizacją. Jednym z obiecujących podejść do łączenia uczenia maszynowego i obliczeń kwantowych jest znalezienie problemów związanych z optymalizacją w ramach standardowych zadań uczenia maszynowego.
Na przykład najnowszy artykuł Rigetti „Nielegalne uczenie maszynowe na hybrydowym komputerze kwantowym” zasadniczo przekształca problem nieuczciwego uczenia maszynowego polegający na grupowaniu danych w dwie grupy, znany również jako grupowanie 2-średnie, w problem kombinatorycznej optymalizacji MaxCut. Ludzie z Rigetti rozwiązują problem MaxCut za pomocą kwantowego algorytmu optymalizacji przybliżonej (QAOA).
Oczekiwałbym, że zobaczę więcej tego stylu pracy w przyszłości, zwłaszcza biorąc pod uwagę naturalne powiązania między optymalizacją a uczeniem maszynowym.
źródło