Исследование сингулярности
Квантовые нейронные сети для FinTech
Подгонка функции временного ряда
В этой статье мы объясним общую концепцию квантовой нейронной сети и объясним модель, которую можно обучить на данных одномерных временных рядов, чтобы подогнать функцию к данным. Мы также предоставим ссылки на учебное пособие по Github, обучающее модели данных о продажах фармацевтической продукции.
Кубиты и квантовые схемы
Что такое квантовая нейронная сеть? Чтобы ответить на этот вопрос, нам нужно понять концепцию кубитов и квантовой схемы, базовой схемы, используемой в квантовых вычислениях для изображения операций с кубитами. Квантовые схемы очень похожи на принципиальные схемы, изображающие логические элементы, работающие с двоичными битами, которые используются в классических вычислениях, таких как ваш телефон или ноутбук. Кубиты - это версия битов для квантовых вычислений, и они ведут себя иначе, чем биты. Многие говорят о кубитах как о мистических и существуют как ноль и единица одновременно. На самом деле это неверно и является чрезмерным упрощением их поведения, которое скрывает математическую точность. Это делается либо из-за недопонимания со стороны автора, либо из-за ожидания автором того, что читатель не обладает достаточными знаниями или вниманием. Подходящий способ представить состояние кубита - это положение на сфере, например, на поверхности Земли, где Северный полюс равен 1, а Южный полюс - 0. Квантовые врата действуют на эту позицию, перемещая ее по земному шару.
Если у нас есть несколько кубитов, мы можем работать с ними индивидуально с несколькими вентилями или одновременно с одним многокубитным вентилем. Мы рисуем принципиальную схему, чтобы показать, какие кубиты проходят через определенные ворота в конкретный момент времени. Книга Леонарда Сасскинда Квантовая механика: теоретический минимум - это базовое введение в кубиты и базовые концепции квантовой механики, которые вполне подходят для новичков, у которых в качестве предварительного условия есть лишь небольшая линейная алгебра.
Вариационные квантовые схемы
Некоторые квантовые схемы очень похожи на нейронные сети, которые мы знаем и любим благодаря машинному обучению. Мы можем разработать «вариационные квантовые схемы», имитирующие поведение глубоких нейронных сетей, которые стали настолько популярными и эффективными в глубоком обучении. Вентили в этих схемах ведут себя как слои нейронной сети, и мы можем обучать их различными способами для выполнения тех же задач, что и нейронные сети, которые вы можете использовать в TensorFlow или Pytorch.
Фактически, во многих случаях квантовые методы обеспечивают значительное улучшение вычислительной мощности и точности. Даже классическое моделирование таких методов показало 100-кратное улучшение, как это видно в приложениях TensorNetwork, библиотеки, созданной Google, которая использует TensorFlow в качестве бэкэнда и позволяет пользователям заменять слои нейронной сети тензорной сетью. Если вы не знакомы с тем, что такое тензорные сети, ознакомьтесь с другим моим постом о том, как их можно использовать для моделирования квантовых схем и как они используются в машинном обучении от Google и других.
Итак, квантовые схемы можно обучать как нейронные сети, и они могут выполнять задачи, которые могут выполнять нейронные сети. И что? Что ж, тогда вы можете запустить его на реальном квантовом компьютере! Я знаю, что в большинстве новостей, которые вы читали, говорится, что до квантовых вычислений еще несколько лет и что практическое применение все еще неясно. Эта информация ужасно устаревшая и неточная. Не верите мне? Попробуйте IBMQ Quantum Experience и убедитесь в этом сами. В настоящее время IBM позволяет пользователям регистрировать бесплатную учетную запись и разрабатывать код в Qiskit, который затем можно запускать на одном из квантовых компьютеров IBM. Фактически, у меня есть репозиторий учебников на Github, в котором показано, как использовать программное обеспечение с открытым исходным кодом PennyLane для выполнения различных задач квантового машинного обучения! Давайте посмотрим на один из таких примеров.
Финтех и временные ряды
Как мы видим ниже, квантовая нейронная сеть, основанная на фотонных квантовых вычислениях в Strawberry Fields, учится сглаживать зашумленные данные (показано красным).
Если вы мало что знаете о FinTech или финансовых технологиях, это просто модное слово для технологий, применяемых в финансах и инвестировании. Это может быть что угодно, от приложения, отслеживающего ваши расходы, до новейших и лучших моделей машинного обучения для торговли акциями. Наш пример - это модель для подгонки одномерных функций к данным временного ряда. В частности, это модифицированный пример из PennyLane, который обучен на некоторых синтетических данных, а также на некоторых данных о фармацевтических продажах за период примерно 17 лет от австралийской фармацевтической компании. Данные были масштабированы, но в остальном не были обработаны и не изменены. На обучение модели уходило от 12 до 24 часов. Время, необходимое для обучения моделируемой версии, не должно вызывать удивления из-за того, что моделирование квантовых схем, как правило, довольно сложно для классических (битовых) компьютеров. Результаты функции, которую изучила модель, можно увидеть красным цветом.
Приложения квантового машинного обучения больше не являются предсказанием будущего, они реальность, и притом захватывающая! Здесь следует упомянуть несколько вещей. Во-первых, количество кубитов, необходимых для выполнения этих вычислений, вполне соответствует возможностям современного оборудования для квантовых вычислений. Во-вторых, это не только задача, которую мы можем выполнить на современных квантовых компьютерах, но и у нас на самом деле достаточно кубитов на текущем оборудовании, чтобы использовать то, что называется квантовой коррекцией ошибок. Это способ кодирования избыточной информации в несколько кубитов, чтобы уменьшить ошибки в вычислениях (заинтересованный читатель может также обратиться к Квантовым вычислениям для топологических кодов для введения в квантовую коррекцию ошибок). использование квантовой коррекции ошибок зависит от проблемы. Поэтому в некоторых случаях мы можем реализовать исправление ошибок на текущем оборудовании. Если учесть тот факт, что многие алгоритмы квантового машинного обучения, такие как учебник по двоичному классификатору, который у меня есть на Github, требуют только одного кубита, и даже самое базовое общедоступное оборудование в IBM имеет в пять раз больше кубитов, это несложно. чтобы убедиться, что мы вполне можем увидеть реальные приложения квантовых компьютеров к таким вещам, как подгонка функций временных рядов и задачи классификации. Видеть, как компании начинают вкладывать средства в интеграцию квантового машинного обучения в свою бизнес-модель, - это просто задача помочь им понять, как и почему эта технология полезна на данном этапе.
Если у вас есть идеи, которыми вы хотите поделиться, вопросы или если вам нужны консультационные услуги по квантовому машинному обучению, свяжитесь с автором через LinkedIn, посетите веб-сайт The Singularity или ознакомьтесь с учебными пособиями Github.
