Глубокое обучение (несколько слоев искусственных нейронных сетей, используемых в контролируемых и неконтролируемых задачах машинного обучения) является невероятно мощным инструментом для решения многих из самых сложных задач машинного обучения: распознавания изображений, распознавания видео, распознавания речи и т. Д. Учитывая, что в настоящее время оно из самых мощных алгоритмов машинного обучения, и Квантовые вычисления, как правило, считаются движущей силой для решения некоторых очень сложных вычислительных задач, мне интересно, было ли какое-то движение по объединению этих двух.

• Может ли алгоритм глубокого обучения работать на квантовом компьютере?
• Есть ли смысл попробовать?
• Существуют ли другие квантовые алгоритмы, которые сделали бы глубокое обучение неактуальным?

1. Да, все классические алгоритмы могут быть запущены на квантовых компьютерах, более того, любой классический алгоритм, включающий поиск, может получить увеличение времени за счет использования алгоритма Гроверса. Пример, который приходит на ум, - это трактовка тонкой настройки параметров нейронной сети как проблема «поиска коэффициентов».$\sqrt{\text{original time}}$

2. На самом деле, в некоторых процессах есть явные преимущества в вычислительном отношении: да.

3. Не то, что я знаю о. Но кто-то с большим опытом может позвонить сюда, если они хотят. Одна вещь, которая приходит на ум: часто мы можем использовать глубокое обучение и другие формы искусственного интеллекта для изучения проблем химии и физики, потому что моделирование дорого или непрактично. В этой области Квантовые Компьютеры, скорее всего, будут убивать своих классических предков, учитывая их способность естественным образом моделировать квантовые системы (например, в ядерной химии) в реальном времени или быстрее.

В последний раз, когда я говорил с ним, Марио Сегеди интересовался именно этим, вероятно, сейчас над этим работают и другие исследователи.

Это очень открытый вопрос, но да, на этом фронте проводится значительная работа.

Некоторые уточнения

Прежде всего следует отметить, что существует два основных способа объединить машинное обучение (и глубокое обучение в частности) с квантовой механикой / квантовыми вычислениями:

$\to$

Применять классические методы машинного обучения для решения проблем, возникающих в контексте квантовой механики / квантовой информации / квантовых вычислений . Эта область растет слишком быстро, и я даже не пытаюсь найти приличный список ссылок, поэтому я просто сошлюсь напару самых последних работ в этом направлении: в 1803.04114 году авторы использовали подход машинного обучения, чтобы найти схемы для вычисления перекрытия. между двумя состояниями (существует ряд других работ в этом же направлении), и в 1803.05193 г. авторы изучили, как можно использовать глубокие нейронные сети для нахождения схем коррекции квантового управления.

$\to$

Изучение квантовых алгоритмов для анализа больших данных , которое часто сводится к поиску « квантовых обобщений » классических алгоритмов машинного обучения. Вы можете взглянуть на этот другой мой ответ, чтобы получить некоторые основные ссылки на эту тему. Более конкретно для случая глубокого обучения , в 1412.3489 (метко названный Quantum Deep Learning ) авторы предлагают метод (эффективно квантовый алгоритм), чтобы вообще ускорить обучение глубоких, ограниченных машин Больцмана . Другая важная ссылка здесь - 1712.05304 , в которой авторы разрабатывают квантовый алгоритм с малой глубиной для обучения квантовых машин Больцмана. См 1708.09757, а также ссылки в связанном ответе, чтобы найти еще много работ по этому вопросу. Обратите внимание, что ускорение, заявленное в этих работах, может сильно варьироваться, от экспоненциальных ускорений до полиномиальных.

Иногда ускорение происходит из-за использования квантовых алгоритмов для решения конкретных линейных алгебраических задач (см., Например, таблицу 1 в ( 1707.08561 ), иногда это происходит из-за того, что в основном сводится к использованию (вариациям) поиска Гровера, а иногда из других вещи (но в основном это два). Цитата из Дунько и Бригеля здесь :

Идеи квантовых улучшений для ML можно грубо разделить на две группы: а) подходы, которые основаны на поиске Гровера и усилении амплитуды для получения ускорений до квадратичных значений, и, б) подходы, которые кодируют соответствующую информацию в квантовые амплитуды и которые имеют потенциал даже для экспоненциальных улучшений. Вторая группа подходов формирует, пожалуй, наиболее развитую исследовательскую линию в квантовом МЛ и собирает множество квантовых инструментов - прежде всего квантовой линейной алгебры, используемой в предложениях квантового МЛ.

Более прямой ответ на три вопроса

Сказав выше, позвольте мне более прямо ответить на три вопроса, которые вы подняли:

1. Может ли алгоритм глубокого обучения работать на квантовом компьютере? Определенно да: если вы можете запустить что-то на классическом компьютере, вы можете сделать это на квантовых компьютерах. Тем не менее, вопрос, который следует задать, заключается в том, может ли квантовый (глубокий) алгоритм машинного обучения быть более эффективным, чем классические аналоги ? Ответ на этот вопрос сложнее. Возможно, да , есть много предложений в этом направлении, но пока рано говорить, что будет или не будет работать.

2. Есть ли смысл попробовать? Да!

3. Существуют ли другие квантовые алгоритмы, которые сделали бы глубокое обучение неактуальным? Это сильно зависит от того, что вы подразумеваете под « неактуальным ». Я имею в виду, что, как известно на данный момент, вполне могут существовать классические алгоритмы, которые сделают глубокое обучение «неактуальным».

Вот последняя разработка от Xanadu, фотонная квантовая схема, которая имитирует нейронную сеть. Это пример нейронной сети, работающей на квантовом компьютере.

Эта фотонная схема содержит интерферометры и сжимающие затворы, которые имитируют функции взвешивания NN, вентиль смещения, действующий как смещение, и нелинейное преобразование, подобное функции ReLU NN.

Они также использовали эту схему для обучения сети для генерации квантовых состояний, а также для реализации квантовых вентилей.

Вот их публикация и код, используемый для обучения цепи . Вот средняя статья, объясняющая их схему.

Все ответы здесь, кажется, игнорируют фундаментальное практическое ограничение:

Глубокое обучение лучше всего работает с большими данными. MNIST - 60000 изображений, ImageNet - 14 миллионов изображений.

Между тем, крупнейшие квантовые компьютеры сейчас имеют 50 ~ 72 кубита.

Даже в самых оптимистичных сценариях квантовые компьютеры, которые могут обрабатывать объемы данных, которые требуют алгоритмов глубокого обучения вместо более традиционных методов моделирования, не появятся в ближайшее время.

Поэтому применение QC к Deep Learning может быть хорошим теоретическим любопытством, но не тем, что скоро станет практичным.