Есть ли потенциальное применение квантовых компьютеров в машинном обучении или ИИ?


22

Многие люди считают, что квантовые компьютеры могут оказаться решающим шагом в создании новых алгоритмов машинного обучения и искусственного интеллекта, которые могут дать огромный импульс в этой области. Были даже исследования, что наш мозг может быть квантовым компьютером, но до сих пор нет единого мнения среди исследователей.

Учитывая, что я совершенно новичок в этой области, я хотел узнать, проводились ли какие-либо исследования в области применения квантовых компьютеров в ИИ, которые, теоретически говоря, могут лучше выполнять некоторые задачи или сходиться быстрее, чем современные алгоритмы глубокого обучения.


Ответы:


12

Я отвечу только на часть вопроса о том, как квантовая механика может быть полезна для анализа классических данных с помощью машинного обучения. Есть также работы, связанные с «квантовым ИИ», но это гораздо более умозрительная (и менее определенная) вещь, в которую я не хочу вдаваться.

Итак, можно ли использовать квантовые компьютеры для ускорения анализа данных с помощью алгоритмов машинного обучения ? Цитата Скотта Ааронсона Прочитайте мелкий шрифт , это простой вопрос со сложным ответом .

Прежде всего следует отметить, что попытка ответить на этот вопрос является большой частью того, что представляет собой область исследования квантового машинного обучения (в последнее время предпочтение отдается терминам квантовое машинное обучение или машинное обучение с квантовой поддержкой). сослаться на это слияние QM и ML, чтобы отличить его от использования ML для решения проблем в QM). Как вы можете видеть на странице Википедии, в этой области происходит много вещей, и было бы бессмысленно пытаться дать здесь полный список соответствующих статей, поскольку они быстро устаревают.

Цитирование из Schuld et al. В 2014 году идея квантового машинного обучения (QAML) заключается в следующем:

Поскольку объем глобально хранимых данных растет примерно на 20% каждый год (в настоящее время он составляет порядка нескольких сотен эксабайт [1]), усиливается необходимость поиска инновационных подходов к машинному обучению. Многообещающая идея, которая в настоящее время исследуется научными кругами, а также в исследовательских лабораториях ведущих ИТ-компаний, использует потенциал квантовых вычислений для оптимизации классических алгоритмов машинного обучения.

Возвращаясь к вашему вопросу, первый, казалось бы, положительный ответ дал Harrow et al. 2009 , который дал эффективный квантовый алгоритм для инвертирования линейной системы уравнений (при ряде условий над системой), работающий, когда данные хранятся в квантовых состояниях. Поскольку это фундаментальная операция линейной алгебры, открытие привело ко многим предложенным квантовым алгоритмам для решения задач машинного обучения как одних и тех же авторов ( 1307.0401 , 1307.0411 , 1307.0471 ), так и многих других. В настоящее время существует множество обзоров, на которые вы можете взглянуть, чтобы получить более полные списки ссылок, например 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , книга Питера Виттека и , вероятно, больше.

Однако далеко не установлено, как это будет работать на практике. Некоторые из причин хорошо объяснены в статье Ааронсона: Прочитайте мелкий шрифт (см. Также опубликованную версию: nphys3272 ). Грубо говоря, проблема в том, что квантовые алгоритмы обычно обрабатывают «данные», хранящиеся в квантовых состояниях, часто кодируя векторы в амплитуды состояния. Это, например, случай для QFT , и это все еще имеет место для HHL09 и производных работ.

Большая проблема (или одна из больших проблем) заключается в том, что далеко не очевидно, как эффективно загружать «большие» классические данные в это квантовое состояние для обработки. Типичный ответ на этот вопрос - «нам просто нужно использовать qRAM », но это также сопровождается многими оговорками, поскольку этот процесс должен быть очень быстрым, чтобы поддерживать экспоненциальное ускорение, которого мы теперь можем достичь, как только данные поступят квантовая форма. Я снова обращаюсь к статье Ааронсона за более подробной информацией о предостережениях.


6

Есть аргументы, что наш мозг является квантово-механическим, и аргументы против, так что это горячо обсуждаемая тема. У Фишера в UCSB есть некоторая умозрительная мысль о том, как мозг все еще может использовать квантовые эффекты, даже если они не являются квантово-механическими по своей природе. Хотя прямых экспериментальных доказательств нет, есть две ссылки, которые вы можете прочитать:

Теперь, на тему использования квантовых вычислений и машинного обучения, Rigetti Computing продемонстрировала алгоритм кластеризации с использованием своих прототипов квантовых чипов (19 кубитов). Они опубликовали свои выводы в белой книге на arXiv.org здесь:

Таким образом, есть определенная возможность продвинуть машинное обучение и, в конечном итоге, ИИ, используя квантовые вычисления imho.


5

Большая часть работы, проделанной до сих пор с квантовыми компьютерами, была сосредоточена на решении задач комбинаторной оптимизации. Quantum Annealers в стиле D-Wave и более поздние машины Gate Model от Rigetti, IBM и Google решали задачи комбинаторной оптимизации. Один многообещающий подход к соединению машинного обучения и квантовых вычислений включает в себя поиск проблем оптимизации в стандартных задачах машинного обучения.

Например, недавняя статья Ригетти « Неуправляемое машинное обучение на гибридном квантовом компьютере», по существу, преобразует проблему неконтролируемого машинного обучения, состоящую в кластеризации данных в две группы, также известную как кластеризация с двумя средствами, в задачу комбинаторной оптимизации MaxCut. Затем сотрудники Rigetti решают проблему MaxCut с помощью алгоритма квантовой приближенной оптимизации (QAOA).

Я ожидаю увидеть больше такого стиля работы в будущем, особенно учитывая естественную связь между оптимизацией и машинным обучением.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.