Есть большие надежды на то, что огромная вычислительная мощность квантовых вычислений когда-нибудь высвободит экспоненциальный прогресс в области искусственного интеллекта. Системы ИИ процветают, когда алгоритмы машинного обучения, используемые для их обучения, получают огромные объемы данных, которые можно использовать, классифицировать и анализировать. Чем точнее эти данные могут быть классифицированы в соответствии с конкретными характеристиками или характеристиками, тем лучше будет работать ИИ. Предполагается, что квантовые компьютеры будут играть решающую роль в машинном обучении, включая критический аспект доступа к более сложным вычислительным пространствам функций — мелким аспектам данных, которые могут привести к новому пониманию.
В новой исследовательской работе Nature, озаглавленной «Контролируемое обучение с квантовыми пространствами расширенных признаков», мы описываем разработку и тестирование квантового алгоритма с потенциалом, позволяющим осуществлять машинное обучение на квантовых компьютерах в ближайшем будущем. Мы показали, что по мере того, как в последующие годы квантовые компьютеры станут более мощными, а их Квантовый объем увеличится, они смогут выполнять сопоставление функций, ключевой компонент машинного обучения, в очень сложных структурах данных в масштабе, значительно превышающем достичь даже самых мощных классических компьютеров.
Наши методы также смогли классифицировать данные с использованием коротких схем, что открывает путь к работе с декогеренцией. Не менее важно то, что наше отображение функций работало так, как и предполагалось: никаких ошибок классификации с нашими инженерными данными, даже когда процессоры систем IBM Q испытывали декогеренцию.
Большая, Лучшая Картина
Отображение характеристик — это способ разборки данных, чтобы получить доступ к более мелким аспектам этих данных. Как классические, так и квантово-машинные алгоритмы обучения могут разбивать изображение, например, по пикселям и размещать их в сетке на основе значения цвета каждого пикселя. Оттуда алгоритмы отображают отдельные точки данных нелинейно в многомерное пространство, разбивая данные в соответствии с их наиболее важными функциями. В гораздо большем пространстве квантовых состояний мы можем отделить аспекты и характеристики этих данных лучше, чем мы могли бы в карте характеристик, созданной классическим алгоритмом машинного обучения. В конечном итоге, чем точнее эти данные могут быть классифицированы в соответствии с конкретными характеристиками или характеристиками, тем лучше будет работать ИИ.
Цель состоит в том, чтобы использовать квантовые компьютеры для создания новых классификаторов, которые генерируют более сложные карты данных. При этом исследователи смогут разработать более эффективный ИИ, который может, например, выявлять закономерности в данных, которые невидимы для классических компьютеров.
Мы разработали план с новыми алгоритмами квантовой классификации данных и картами характеристик. Это важно для ИИ, поскольку чем больше и разнообразнее набор данных, тем сложнее разделить эти данные на значимые классы для обучения алгоритму машинного обучения . Плохие результаты классификации в процессе машинного обучения могут привести к нежелательным результатам; например, ухудшение способности медицинского устройства идентифицировать раковые клетки на основе данных маммографии.
Проблема шума
Мы обнаружили, что даже при наличии шума мы могли последовательно классифицировать наши инженерные данные с идеальной точностью во время наших испытаний. Современные квантовые компьютеры пытаются удерживать свои кубиты в квантовом состоянии более нескольких сотен микросекунд даже в строго контролируемой лабораторной среде. Это важно, потому что кубиты должны оставаться в этом состоянии как можно дольше для выполнения вычислений.
Наши алгоритмы, демонстрирующие, как запутывание может улучшить точность классификации ИИ, будут доступны как часть IBM Qiskit Aqua, библиотеки квантовых алгоритмов с открытым исходным кодом, которую разработчики, исследователи и отраслевые эксперты могут использовать для доступа к квантовым компьютерам через классические приложения или распространенные языки программирования, такие как Python.
Мы все еще далеки от достижения Quantum Advantage для машинного обучения — точки, в которой квантовые компьютеры превосходят классические компьютеры по способности выполнять алгоритмы ИИ. Наше исследование еще не демонстрирует Quantum Advantage, потому что мы минимизировали масштаб проблемы, основываясь на наших текущих аппаратных возможностях, используя только два кубита емкости квантовых вычислений , которые можно смоделировать на классическом компьютере . Тем не менее, методы отображения функций, которые мы развиваем, скоро смогут классифицировать гораздо более сложные наборы данных, чем те, которые могут обрабатывать классические компьютеры. Мы показали многообещающий путь вперед.
