Работа квантового машинного обучения

Квантовое машинное обучение - объединение двух достижений в мире науки и технологий, а именно квантовой физики и машинного обучения / искусственного интеллекта - витает в воздухе довольно давно и, как предполагается, представит новое измерение в том, как мы решаем проблемы. Задачи машинного обучения с использованием концепции квантовых вычислений. В этой статье основное внимание уделяется тому, что такое квант, как он может изменить то, как мы знаем машинное обучение на данный момент, его основные функциональные блоки, как он достигает своей высокой вычислительной мощности, а также приложениям квантового машинного обучения в реальных условиях.

Что такое квант?

С точки зрения физики квант - это единица, которая меньше атома; вещи на этом минускулярном уровне не ведут себя так же, как объекты вокруг нас. Основа квантовой теории состоит в том, что эти частицы могут изменять свое состояние и находиться в любом состоянии в данный момент времени. Квантовая механика имеет решающее значение для понимания поведения как микроскопических, так и больших физических систем.

Квантовые вычисления - это использование квантово-механических явлений, таких как суперпозиция, для выполнения вычислений, которые являются более быстрыми и эффективными с точки зрения пространственной и временной сложности. Оказавшись лучше, чем классические вычислительные методы, квантовые вычисления при использовании в области машинного обучения порождают квантовое машинное обучение.

Почему квантовое машинное обучение?

В 2017 году генеральный директор Microsoft Сатья Наделла объяснил разницу в вычислительной мощности и способах работы классических и квантовых компьютеров на примере кукурузного лабиринта. Современные классические компьютеры использовали бы алгоритм грубой силы и обратного отслеживания, чтобы найти путь через лабиринт. Он выберет путь, столкнется с препятствием, вернется к исходной начальной точке, выберет другой путь и продолжит движение, пока не найдет выход. Он обязательно найдет решение, но это будет стоить много времени. Представьте, что ваш мобильный телефон разряжает батарею, а алгоритм работает долго без окончательного решения.

Здесь на помощь приходят квантовые компьютеры. Они открывают удивительный параллелизм и проходят все пути в кукурузном лабиринте одновременно, чтобы найти оптимальное решение за очень короткое время и экспоненциально уменьшенное количество шагов. Это как отправить n дронов на n путей и получить все результаты, то есть информацию о пути за единицу времени.

Строительные блоки квантового машинного обучения

• Кубиты: так же, как классические компьютеры используют биты, то есть 0 и 1 для выполнения операций, квантовые компьютеры используют квантовые биты или кубиты. Кубиты могут быть представлены одним из приведенных способов:
  • Электроны, где 1 и 0 - возбужденное и основное состояние электрона, вращающегося вокруг ядра, соответственно.
  • Протоны, где 1 и 0 - поляризации фотона.

  Можно понять силу кубитов по тому факту, что Google использовал 53 кубита в своем эксперименте по квантовому превосходству, чтобы продемонстрировать, что он может выполнить вычисления за 200 секунд на квантовом компьютере, который потребует более 10000 компьютеров на самом мощном из существующих классических компьютеров.

• Суперпозиция: в квантовой механике каждая частица или квант демонстрирует дуальность волна-частица. Это означает, что мы не можем использовать только определения волн или частиц для объяснения поведения объектов квантового масштаба. Точно так же кубиты существуют как 0 и 1 одновременно. Это явление называется суперпозицией. Хотя, когда кубиты находятся под наблюдением для измерения его энергии или положения, они теряют свою суперпозицию и затем существуют только в одном состоянии.
• Запутанность: состояние одной частицы кубита не может быть описано независимо от других частиц, даже если они разделены большим расстоянием. Если одна частица в паре находится в состоянии спина «вниз» во время измерения, информация передается другой коррелированной частице, которая принимает состояние спина «вверх». Это явление кубитов, с помощью которого они взаимодействуют друг с другом, называется запутыванием.

Как квантовые вычисления обеспечивают такой поразительный уровень параллелизма?

Хотя один классический двоичный бит может представлять только одну двоичную конфигурацию в данный момент времени, то есть 0 или 1, кубит может принимать оба состояния (0 и 1) одновременно. Таким образом, «n» кубитов могут представлять 2 ⁿ состояний, которые могут исследовать 2 ⁿ решений проблемы одновременно в заданный момент времени, в отличие от одного решения за раз, как это делается на классическом компьютере. Добавление большего количества кубитов увеличило бы вычислительную мощность компьютера в геометрической прогрессии, что привело бы к удивительному уровню параллелизма, невиданного ранее.

Где можно применить квантовое машинное обучение?

• Моделируйте классические данные на квантовых компьютерах или создавайте новые квантовые классические алгоритмы для более быстрых вычислений и лучших результатов.
• По мере того, как пространство признаков проблемной области расширяется, вычисления для классических компьютеров становятся действительно дорогими. Используя суперпозицию и другие квантовые свойства, квантовое машинное обучение значительно помогает при оценке и оптимизации ядра.
• Квантовое машинное обучение также способно отображать триллионы нейронов в нашем мозгу и расшифровывать генетический состав.
• Обучение с учителем и адаптивное послойное обучение с помощью квантовых классификаторов и нейронных сетей

Заключение:
Хотя квантовое машинное обучение доказало свою высокую вычислительную мощность и чрезвычайно высокий уровень параллелизма, это все еще относительно новая концепция. Хотя в этом направлении уже достигнут значительный прогресс и исследования, нам еще предстоит раскрыть истинный потенциал квантового машинного обучения для разработки новых алгоритмов и открытия новых и лучших решений для решения реальных проблем, как никогда раньше.