Квантовое машинное обучение звучит так, будто оно появилось прямо из научно-фантастического романа
Но это очень реально и меняет правила игры.
Некоторые из самых передовых алгоритмов искусственного интеллекта сегодня используют несколько типов оборудования для выполнения своих собственных подпрограмм. Эти микросхемы варьируются от общих и медленных для некоторых задач (например, ЦП) до конкретных и быстрых (например, интегральная схема для конкретного приложения или ASIC). Квантовые устройства можно рассматривать как ASIC, которые обладают специализированной функциональностью. Более продвинутые квантовые устройства больше похожи на программируемые вентильные матрицы (FPGA), которые можно запрограммировать для работы с простыми схемами.
Квантовое машинное обучение - это использование квантовых алгоритмов в классических программах машинного обучения. Квантовые компьютеры можно использовать для ускорения определенных функций машинного обучения, которые включают вычисление огромных объемов данных. Они могут одновременно выполнять большие вычисления благодаря своим свойствам сцепления и суперпозиции.
Чтобы узнать больше о квантовых компьютерах, ознакомьтесь с этой статьей.
Есть масса областей, в которых квантовые вычисления могут ускорить ИИ. Вот краткое изложение:
Оптимизация с помощью квантового отжига
Адиабатические квантовые вычисления и квантовый отжиг могут помочь с проблемами оптимизации, найдя самое низкоэнергетическое состояние в энергетическом ландшафте большой размерности. На английском:
На рисунке выше показана энергетическая диаграмма для одного кубита в суперпозиции 0 и 1. Состояния 0 и 1 имеют самые низкие энергии. Когда вы измеряете кубит, он имеет равные шансы схлопнуться до 0 или 1.
Квантовые компьютеры могут манипулировать вероятностями кубитов, добавляя смещения. Это магнитные поля, которые влияют на спин кубита. Одно из таких смещений - связующее звено, которое может запутать два кубита и гарантировать, что их результаты будут идентичными или полярно противоположными.
Когда у вас есть несколько кубитов в системе и вы добавляете ответвители, вы получаете довольно сложный энергетический ландшафт (2 ^ N уровней энергии для N кубитов). При правильной манипуляции эти энергетические ландшафты начинают напоминать сложные задачи оптимизации, такие как задача коммивояжера. Поскольку природа имеет тенденцию существовать в конфигурации с наименьшей энергией, квантовые отжигатели пользуются этим и могут быстро найти минимальное энергетическое состояние этого ландшафта.
D-Wave - ведущая компания по квантовому отжигу. В 2008 году они использовали свой отжигатель для оптимизации весов в модели обучения бинарной классификации. Этот отжигатель также может решать другие задачи квадратичной неограниченной двоичной оптимизации, которые полезны в широком диапазоне областей, от финансов до машинного обучения.
Оптимизация с помощью вариационных схем
Вариационные схемы используются вместе с классическими компьютерами для решения задач оптимизации. Квантовая схема вычисляет функцию стоимости, которую нельзя вычислить классическим способом. Затем он отправляет эти значения в классический компьютер, который оптимизирует определенные параметры квантовой схемы на основе вычисленной функции стоимости. Вариационные квантовые электроды - это приложение этого процесса, которое можно использовать для поиска идеальных химических веществ. Квантовая схема вычисляет собственные значения большой гамильтоновой матрицы (представляющей уровни энергии химического вещества), позволяя вычислить математическое ожидание матрицы. Он отправляет это значение в классический компьютер, который регулирует параметры квантовой схемы таким образом, чтобы уменьшить ожидаемое значение. Этот процесс повторяется до тех пор, пока математическое ожидание не сойдется с наименьшим собственным значением гамильтониана, помогая исследователям вычислить энергии основного состояния определенных частиц.
Это очень полезно при открытии лекарств и поиске катализаторов для ускорения улавливания углерода!
Линейная алгебра
Как правило, квантовые компьютеры отлично подходят для вычислений линейной алгебры. Квантовые вентили могут экспоненциально умножать и даже бесконечно большие матрицы за одну операцию. Следовательно, квантовые вентили могут действовать как линейные слои в большой нейронной сети.
Однако есть одно важное предостережение. Перед выполнением умножения матриц матрицу необходимо закодировать на квантовом компьютере - это оказывается довольно сложной задачей на современных устройствах.
Отбор проб
Квантовые компьютеры по сути своей являются семплерами. Если вернуться к предыдущему примеру с монетой, квантовые состояния - это распределения вероятностей. Когда они будут измерены, вы можете выполнить «выборку» распределения, чтобы получить конкретное число. Выборка полезна при обучении моделей машинного обучения. В прошлом квантовые компьютеры использовались для обучения машин Больцмана и логических сетей Маркова. В этих приложениях квантовые компьютеры могут передавать случайные числа весам и функциям машины Больцмана.
Оценки ядра
В задачах классификации часто бывает сложно линейно разделить точки данных. Проще говоря, вы не можете провести прямую линию на первом графике, разделяющую красную и синюю точки. Ядра спешат на помощь! Функции ядра отображают точки слева в пространство более высокой размерности (показано справа), где их легче разделить и классифицировать.
Математически ядра K (x, y) представлены как ‹f (x), f (y)›. x и y - это n-мерные входные данные, а f - это функция, которая преобразует x и y в m-мерное пространство (где m ›n). ‹F (x), f (y)› - это внутреннее произведение двух функций, что означает, что каждый соответствующий элемент в обеих функциях умножается и складывается, чтобы получить скаляр. Для больших значений m их сложно вычислить классическим способом, поэтому для их оценки можно использовать квантовые компьютеры.
Оценка ядра широко используется в алгоритме классификации, называемом машиной опорных векторов (SVM). В квантовых SVM классическая точка данных X передается в точку квантовых данных | Φ (𝑥⃗)⟩ с помощью схемы V (Φ (𝑥⃗)). Затем другая квантовая схема W (Θ) обрабатывает данные, чтобы применить измерение и вернуть классическое значение -1 или 1, которое классифицирует данные.
Последние мысли
Квантовое машинное обучение действительно круто. Однако важно отметить, что для некоторых из этих приложений существуют физические ограничения, потому что чем больше кубитов в цепи, тем сложнее контролировать их квантовые состояния. Кроме того, квантовое ускорение некоторых из этих алгоритмов (например, QSVM) еще не доказано. Тем не менее, я с большим оптимизмом смотрю в будущее этой области по мере проведения дополнительных исследований. У нас даже могут появиться квантовые процессоры для замены графических процессоров!
Выходя за рамки простого использования квантовых компьютеров для ускорения существующих классических алгоритмов машинного обучения, квантовые схемы могут научиться лучше справляться с определенной задачей, регулируя ее параметры. Это называется дифференцируемым программированием.
Думаю, это довольно здорово.
