Текущий сценарий исследования квантового машинного обучения
Поскольку классическое машинное обучение достигло своего предела, а требования к передовым вычислениям растут в связи с появлением больших данных и искусственного интеллекта, квантовые вычисления превратились в потребность часа. Однако преодоление сложностей квантового машинного обучения - это проблема, которую многие компании пытаются преодолеть. Хотя технология все еще находится на начальной стадии, всем отраслям необходимо начать изучение потенциала квантового искусственного интеллекта и квантового машинного обучения и разработать дорожную карту для индивидуальных вариантов использования.
Текущие исследования Q uantum Machine Learning
В настоящее время ведущими лидерами в области технологий квантового машинного обучения являются Dr. Амит Рэй из Compassionate AI Lab , Доктор. Мария Шульд из Xanadu , D-Wave Systems Inc, Канада и Лаборатория квантового искусственного интеллекта НАСА .
Все классические алгоритмы машинного обучения основаны на последовательной обработке, это зависит от обратной связи первого цикла. Алгоритмы квантового машинного обучения основаны на параллельной обработке. Исследования в области квантово-усиленного обучения, квантовых нейронных сетей, квантового ближайшего соседа по K, квантовой байесовской сети, теории квантового обучения и машины квантовых опорных векторов быстро развиваются.
Что касается аппаратного обеспечения, исследователи до сих пор не могут сказать, какой тип кубитовых технологий - сверхпроводящая петля, ион, нейтральный атом, квантовая точка - работает лучше всего. Во-первых, они до сих пор не определились с четкими метриками для сравнения различных устройств. Ведущие квантовые ученые, такие как Dr. Амит Рэй , строят Дорожные карты для квантовых компьютеров на 1000 кубитов . Такие исследователи, как Джон Прескилл, разрабатывают технологию Noisy Intermediate-Scale Quantum (NISQ), которая будет доступна в ближайшем будущем. Устройства NISQ будут полезными инструментами для изучения квантовой физики многих тел и проблем квантового машинного обучения. Квантовое машинное обучение теперь ориентировано на решение задач коммивояжера.
Квантовая теория и квантовое машинное обучение
Квантовые вычисления относятся к использованию квантово-механических явлений, таких как суперпозиция и запутанность, для выполнения вычислений. Квантовая физика имеет дело с электронной энергией, которая представлена неделимыми пакетами, называемыми квантами. Кванты ведут себя совершенно иначе, чем макроскопическая материя: частицы могут вести себя как волны, а волны ведут себя как частицы, квантовое моделирование локализации многих тел.
Квантовая теория невероятно успешна, объясняя микроскопический мир с большой точностью, от поведения субатомных частиц до химических реакций и твердотельной электроники. Нет ни одного экспериментального открытия, которое бы бросило вызов его предсказаниям, и все больше квантовых явлений используется в технологиях, включая интерферометрическое зондирование и квантовую криптографию.
Текущий Q uantum Computing Сценарий
Текущая экосистема квантовых компьютеров претерпела значительные изменения и может быть разделена на поставщиков комплексных услуг (таких как IBM, Google, Rigetti, Microsoft и Alibaba), аппаратных и системных игроков (таких как Intel, IonQ и QuTech), программного обеспечения. и сервисные игроки (такие как 1QBit, QC Ware, Zapata Computing и CQC) и специалисты (такие как Q-CTRL, QubitLogic и Silicon Quantum Computing). Это указывает на то, что одновременно прилагаются усилия в различных аспектах, связанных с квантовым компьютером.
Дорожная карта будущего Q uantum Machine Learning
Поскольку квантовое машинное обучение требует сложного обучения, а создание собственных компетенций требует времени, крупным компаниям необходимо как можно скорее начать работу по внедрению QML, если они еще не начали. Обещания квантового искусственного интеллекта, квантовых нейронных сетей, квантового ближайшего соседа K, теории квантового обучения быстро реализуются по мере созревания квантового оборудования. Однако квантовый шум по-прежнему является серьезным препятствием для квантового машинного обучения.
«Преимущества квантового машинного обучения огромны. Эра шумных квантовых компьютеров продлится минимум пять-десять лет в зависимости от того, когда исследователи смогут успешно внедрить исправление ошибок. . Но с обещанием нового финансирования можно ожидать раннего коллапса волновой функции в течение следующих двух лет.
