Klasszikus gépi tanulás (ML) Az algoritmusok hatékony eszközöknek bizonyultak számos feladathoz, beleértve a kép- és beszédfelismerést, természetes nyelvfeldolgozás (NLP) és prediktív modellezés. A klasszikus algoritmusokat azonban korlátozzák a klasszikus számítástechnika korlátai, és nehezen tudják feldolgozni a nagy és komplex adatsorokat vagy magas szintű pontosságot és precizitást ér el.

Lépjen be a kvantumgépi tanulásba (QML).

A QML egyesíti az erejét kvantumszámítás az ML prediktív képességeivel, hogy legyőzze a klasszikus algoritmusok korlátait és javítsa a teljesítményt. A lapjukban "Az összefonódás szerepéről a kvantumszámítási gyorsításbanRichard Jozsa és Neil Linden, a Bristoli Egyetem munkatársa az Egyesült Királyságban azt írják, hogy „A QML algoritmusok azt az ígéretet rejtik magukban, hogy exponenciális gyorsulást biztosítanak a klasszikus társaikhoz képest bizonyos feladatoknál, mint például az adatosztályozás, a jellemzők kiválasztása és a klaszterelemzés. . Különösen a kvantum algoritmusok felügyelt és nem felügyelt tanuláshoz való alkalmazása forradalmasíthatja a gépi tanulást és mesterséges intelligencia. "

QML versus klasszikus gépi tanulás

Zohra Ladha, a Credence adattudományi és mesterséges intelligencia részlegének vezető igazgatója szerint a QML több alapvető dologban különbözik a hagyományos gépi tanulástól:

A hagyományos gépi tanulási algoritmusok, amelyek a klasszikus számítási technikákra támaszkodnak, és nem rendelkeznek ilyen kvantumképességekkel, bizonyos esetekben lassabbak vagy kevésbé pontosak.

A QML utazás: a kutatástól a való világig

A kvantumgépi tanulással kapcsolatos kutatások az 1980-as években kezdődtek. Az 1990-es évek végén és a 2000-es évek elején a kutatók kvantumot fejlesztettek ki neurális hálózatok bemutatni a kvantumrendszerekben rejlő lehetőségeket a gépi tanulásban, amelyek megtaníthatók az adatok mintáinak felismerésére. Ezeket a hálózatokat azóta számos valós probléma megoldására alkalmazzák.

Egy évtizeddel később a kutatók kvantumalgoritmusokat és szoftvereszközöket fejlesztettek ki gépi tanulási feladatokhoz. Ezek közé tartoztak a népszerű gépi tanulási algoritmusok kvantumváltozatai, például a támogató vektorgépek, a döntési fák és a neurális hálózatok.

A kvantumszámítógépek fejlesztése szintén kulcsfontosságú tényező volt a QML növekedésében. A 2010-es és 2020-as években több cég és kutatócsoport fejlesztett olyan kvantumszámítógépeket, amelyek képesek voltak gépi tanulási feladatokat ellátni. Ezek közé tartoztak mind a kapu alapú kvantumszámítógépek, mind kvantum lágyítók. A 2020-as évekre a QML széles körben elterjedt olyan alkalmazásokban, mint a mintafelismerés, a természetes nyelvi feldolgozás és az optimalizálás.

Ma a QML egyik legígéretesebb alkalmazása a gyógyszerkutatás. A hagyományos gyógyszerkutatási eljárások lassúak, drágák és következetlenek lehetnek. A QML képes felgyorsítani a folyamatot. „Miután kezdeti sikerünk volt, amikor megtaláltuk a COVID19 terápiás molekula, ki akartuk terjeszteni a teret, hogy most kisebb molekulákat állítsunk elő” – mondta Nikhil Malhotra, a Tech Mahindra Makers Lab globális vezetője. „A kvantum-GAN vagy hibrid GAN-generáció olyasvalami, amit kis molekulákra próbálunk kifejleszteni. Úgy gondolom, hogy ez jelentősen előmozdítaná a gyógyszerkutatást, sőt az új gyógyszerek létrehozását is.”

A pénzügyi piacok egy másik olyan terület, ahol a QML ígéretesnek bizonyult. A 2021 papír a JPMorgan Future Lab for Applied Research and Engineering arra a következtetésre jutott, hogy a QML olyan feladatokat tud végrehajtani, mint az eszközárazás, a volatilitás előrejelzése, az egzotikus opciók kimenetelének előrejelzése, a csalások felderítése, a részvénykiválasztás, a fedezeti alapok kiválasztása, az algoritmikus kereskedés, a piacteremtés, a pénzügyi előrejelzés, számvitel és könyvvizsgálat, valamint a kockázatértékelés sokkal gyorsabban és pontosabban, mint a klasszikus algoritmusok esetében.

A kvantumgépi tanulás 2023-as ígérete

„A QML izgalmas és gyorsan fejlődő terület, amely jelentős hatással lehet az iparágak és alkalmazások széles skálájára” – mondta Ladha. 2023-ra azt jósolja, hogy a kvantumalgoritmusok képesek bizonyos gépi tanulási feladatok gyorsabb és pontosabb végrehajtására, különösen az olyan feladatok esetében, mint a kép- és beszédfelismerés, amelyek nagy mennyiségű adat feldolgozását igénylik. Arra is rámutat, hogy a QML képes megoldani a gépi tanulási feladatok során gyakran felmerülő optimalizálási problémákat, amelyeket klasszikus algoritmusokkal nehéz megoldani. Ladha előrejelzése szerint a kvantumalgoritmusok azon képessége, hogy hatékonyabban tudják megoldani ezeket a problémákat, a pénzügy és a logisztika hasznára válhat.

Kiberbiztonság egy másik terület, ahol a QML hatását jósolja. „A kibertámadások észlelésére és megelőzésére szolgáló kifinomultabb algoritmusok kifejlesztésével a kvantumgépi tanulás javíthatja a rendszerek biztonságát” – mondta.

Kicsit mélyebbre ásva magát a technológiát, Malhotra elmondta, hogy arra számít, hogy az ML algoritmusok túlnyomó többségét, különösen a mesterséges neurális hálózatokon lévőket, kvantumgépen kvantumgépi tanulási algoritmusként fogják kipróbálni. „Láttunk olyan korai feldolgozásokat, mint a QNLP, a Q-GAN, és még a kvantumáramkörökön megerősített tanulást is. Arra számítok, hogy a tendencia 2023-ban növekedni fog” – mondta.

A kvantumgépi tanulási kihívások továbbra is fennállnak

A QML nagy dolog az ígérete miatt. A bizonyítékok arra utalnak, hogy a gépi tanulási modellek nagyobb pontosságra taníthatók kevesebb adattal, mint a jelenlegi klasszikus technikáinkkal. Szerint azonban Scott Buchholz, a Deloitte Consulting LLP kormányzati és közszolgáltatások globális kvantumvezetője és technológiai igazgatója, a válasz a következő kérdésekre: „Mennyivel kevesebb?” és "Mennyivel gyorsabban?" rendszeresen változik a következő QML kihívások miatt:

• „A hardver tekintetében a ma létező legerősebb kvantumszámítógépek száma még mindig korlátozott – különösen a mai legerősebb szerverekhez képest. Arra számítunk, hogy az elkövetkező években ez változni fog, mert sokkal több tere van a kvantumszámítástechnika fejlődésének és növekedésének.

• „Szoftvereket és algoritmusokat tekintve a kvantumszámítógépek alapvetően másképp működnek, mint a mai számítógépek. Ennek eredményeként a kutatók megpróbálják kitalálni a legjobb módszereket a problémák kvantumszámítógépekre való leképezésére (és valójában annak meghatározására, hogy mely problémák lehetnek hasznosak kvantumszámítógépeken). Ahogy egyre jobban általánosított leképezésekkel állunk elő, mások számára is könnyebb lesz a kvantumszámítógépekre „hozni problémáikat”.

„A QML évek óta az aktív kutatás területe volt – és továbbra is az. Ahogy a hardver és a szoftver fejlettsége javul, valószínűleg azt fogjuk látni, hogy a szervezetek elkezdik értékelni a QML használatát a termelési munkaterhelésben” – folytatta Buchholz. „Mivel még mindig van néhány évünk egy olyan géptől, amely képes lenne futtatni az éles QML-munkaterheléseket, a hardver folyamatos fejlesztésével továbbra is fejlesztjük a QML legkorszerűbb szintjét. De 2023-ban a QML fokozatos előrehaladására számítok – vagyis a mennyiségek méretezésére, az adatok betöltésére és a modellek futtatására szolgáló technikák továbbfejlesztésére.”