Могут ли квантовые технологии стать следующим шагом вперед в машинном обучении?
Квантовые вычисления появились в последние несколько лет как новая вычислительная модель, которая может вывести возможности современных компьютеров на совершенно новый уровень. Все СМИ, связанные с технологиями, публиковали все небольшие и возможные достижения в этой области. Хотя это захватывающее время для поля, само поле остается большой загадкой.
Предпосылка квантовых вычислений заключается в том, что они могут использоваться в различных приложениях, которые считаются важными в современном технологическом мире, от кибербезопасности до медицинских приложений и машинного обучения. Широкая сфера применения - одна из основных причин того внимания, которое уделяется этой области.
Но,
Как квантовые технологии могут способствовать развитию науки о данных? Что он может предложить такого, чего не могли предложить классические компьютеры?
К настоящему времени вы, вероятно, слышали о «квантовом машинном обучении» или QML. Но что в этом действительно квантового?
Эта статья призвана пролить свет на то, что такое квантовое машинное обучение, и возможные способы, которыми квантовые методы могут улучшить и улучшить классическое машинное обучение.
Что такое квантовое машинное обучение?
Давайте сделаем шаг назад и посмотрим на машинное обучение с более широкой точки зрения. Машинное обучение состоит из двух вещей: данных и алгоритмов. Итак, когда мы говорим о квантовом машинном обучении, мы ссылаемся на данные или алгоритмы, или на оба?
Это фундаментальный вопрос, который нужно задать себе: что такое квантовое машинное обучение? Чтобы ответить на этот вопрос, рассмотрим рисунок ниже.
Квантовое машинное обучение - это термин, который охватывает 4 типа сценариев:
- Квантовые классические алгоритмы для классических данных: например, алгоритмы тензорной сети и деквантизированные рекомендательные системы.
- К квантовым данным применяются классические алгоритмы: например, квантовые состояния на основе нейронных сетей и оптимизация последовательностей импульсов.
- Квантовые алгоритмы применяются к классическим данным: например, алгоритмы квантовой оптимизации и квантовая классификация классических данных.
- К квантовым данным применяются квантовые алгоритмы: например, квантовая обработка сигналов и квантовое аппаратное моделирование.
Как квант может улучшить машинное обучение?
Существуют разные теории о том, как можно улучшить квантовое машинное обучение. Вот 3 главных аргумента:
1. Если у квантовых компьютеров есть ускорение подпрограмм линейной алгебры, это может ускорить машинное обучение.
Все мы знаем, что линейная алгебра - это ядро машинного обучения. В частности, группа приложений линейной алгебры под названием BLAS (Basic Linear Algebra Subroutines) является основой всех алгоритмов машинного обучения. Эти подпрограммы включают умножение матриц, преобразования Фурье и решение линейных систем.
Все эти подпрограммы действительно получают экспоненциальное ускорение при запуске на квантовом компьютере. Однако при рассмотрении этих ускорений, о чем не упоминается, заключается в том, что для получения этих ускорений мы должны иметь квантовую память, которая хранит квантовые данные и взаимодействует с квантовым процессором. Тогда и только тогда мы сможем достичь экспоненциального ускорения.
К сожалению, это не случай. Фактически, квантовая память в настоящее время является одной из сложных исследовательских тем, в которой нет конкретной версии того, когда и если может быть построена квантовая память.
Означает ли это, что мы вообще не можем добиться ускорения?
В настоящее время наши системы не являются чисто квантовыми; наши данные классические и хранятся в классической памяти. Затем эти данные передаются на квантовый процессор. Связь между классической памятью и квантовым процессором - вот почему невозможно достичь экспоненциального ускорения.
Основываясь на памяти и характере используемого приложения линейной алгебры, мы можем добиться некоторого ускорения по сравнению с чисто классическими подходами.
2. Квантовый параллелизм может помочь ускорить обучение моделей.
Одним из основных источников энергии квантовых компьютеров является их способность выполнять квантовую суперпозицию. Это позволяет нам работать с разными квантовыми состояниями одновременно.
Итак, аргумент здесь в том, что если мы сможем обучить модель в состоянии суперпозиции всех возможных обучающих наборов, то, возможно, процесс обучения будет быстрее и эффективнее.
Эффективный здесь может означать одно из двух:
- Для обучения модели требуется экспоненциально меньше данных - ›которые исследователи сочли неточными. Однако в некоторых случаях возможно линейное ускорение.
- Обучайте модели быстрее - ›это утверждение следует за ускорением, полученным в результате квантования любого классического алгоритма в соответствии с алгоритмом Гровера. Результат - ускорение в лучшем случае до квадратичного, а не экспоненциального.
Если бы я попытался запустить классический алгоритм машинного обучения на квантовых вычислениях, лучшее, к чему я мог бы стремиться, - это квадратичное ускорение. Если мне нужно больше ускорений, тогда нужно изменить и алгоритм.
3. Квантовые компьютеры могут моделировать сильно коррелированные распределения в отличие от классических компьютеров.
Это правда, на все 100%. Однако, хотя это и верно, недавние результаты исследований доказали, что этого недостаточно для получения какого-либо квантового преимущества. Более того, он показал, что некоторые классические модели могут превосходить квантовые даже на наборах данных, созданных квантово.
Итак, может ли квант улучшить машинное обучение или нет?
Короче ДА. Но нам не следует ожидать экспоненциального ускорения в ближайшее время. Возможно, после того, как будут построены полностью функциональные квантовые компьютеры, мы сможем вернуться к приведенным выше аргументам и снова проверить их достоверность.
На данный момент квантовое машинное обучение должно быть направлено на открытие принципиально новых алгоритмов, которые могут помочь генерировать лучшие проблемы, а не стремиться к ускорению существующих алгоритмов машинного обучения.
Я думаю, что квант учит нас новому взгляду на вещи вместо нового угла взгляда на то же самое.
Последние мысли
Квантовые вычисления обладают большим потенциалом для улучшения и изменения нынешних технологий. Несмотря на то, что квантовые вычисления на самом деле вовсе не новая область - они такие же старые, как и сами вычисления, - в последние годы они привлекли внимание и привлекли внимание.
Однако в последнее время квантовая теория перешла от чистой теории к практике. Это причина внезапного всплеска внимания как со стороны СМИ, так и со стороны исследователей. Впервые в квантовой истории каждый может получить доступ к квантовым машинам и запускать на них небольшие или умеренные программы.
Одной из областей, которые обещают улучшения, вызванные квантовыми методами, является машинное обучение. Но как это на самом деле может помочь - не совсем очевидно.
В этой статье я рассказал о возможных способах, которыми квант может улучшить машинное обучение, а также о том, действительны и реалистичны эти способы.
Возможно, квантовые вычисления еще не так мощны и в настоящее время не способны запускать приложения машинного обучения. Тем не менее, будущее светлое, и оно преподнесет множество сюрпризов и достижений во многих других областях, а не только в машинном обучении.
