Назовите это Мстителями футуристических вычислений. Объедините два самых модных термина в области технологий — машинное обучение и квантовые компьютеры — и вы получите квантовое машинное обучение. Подобно комиксам и фильмам «Мстители», в которых звездный состав супергероев объединяется для создания команды мечты, результат, вероятно, привлечет многих. внимания. Но в технике, как и в художественной литературе, важно придумать хороший сюжет.
Если квантовые компьютеры когда-либо смогут быть построены в достаточно больших масштабах, они обещают решать определенные проблемы гораздо эффективнее, чем обычная цифровая электроника, используя уникальные свойства субатомного мира. В течение многих лет исследователи задавались вопросом, могут ли эти проблемы включать машинное обучение, форму искусственного интеллекта (ИИ), в которой компьютеры используются для выявления закономерностей в данных и изучения правил, которые можно использовать для формулирования выводов в незнакомых ситуациях.
Теперь, с выпуском известной системы искусственного интеллекта ChatGPT, в основе которой лежит машинное обучение < a i=3>устрашающе человеческие разговоры путем определения отношений между словами в тексте и с помощью обе технологии делают большой шаг вперед. Получится ли что-нибудь полезное от их объединения?быстрый рост размеров и мощности квантовых компьютеров
Бум интереса
Многие технологические компании, в том числе признанные корпорации, такие как Google и IBM, а также начинающие фирмы, такие как Rigetti в Беркли, Калифорния, и IonQ в Колледж-Парке, Мэриленд, исследуют потенциал квантового машинного обучения. Существует также большой интерес со стороны академических ученых.
ЦЕРН, европейская лаборатория физики элементарных частиц недалеко от Женевы, Швейцария, уже использует машинное обучение для поиска признаков того, что определенные субатомные частицы были произведены в данных, полученных Большим адронным коллайдером. Среди ученых есть ученые, которые экспериментируют с квантовым машинным обучением.
«Наша идея состоит в том, чтобы использовать квантовые компьютеры для ускорения или улучшения классических моделей машинного обучения», — говорит физик София Валлекорса, возглавляющая исследовательскую группу по квантовым вычислениям и машинному обучению в ЦЕРН.
Большой вопрос без ответа заключается в том, существуют ли сценарии, в которых квантовое машинное обучение дает преимущество перед классическим вариантом. Теория показывает, что для специализированных вычислительных задач, таких как моделирование молекул или поиск простых множителей больших целых чисел, квантовые компьютеры ускорят вычисления, которые в противном случае могли бы занять дольше, чем возраст Вселенной. Но исследователям до сих пор не хватает достаточных доказательств того, что это относится и к машинному обучению. Другие говорят, что квантовое машинное обучение может выявить закономерности, которые не замечают классические компьютеры, даже если оно не быстрее.
Отношение исследователей к квантовому машинному обучению колеблется между двумя крайностями, говорит Мария Шульд, физик из Дурбана, Южная Африка. Интерес к этому подходу высок, но исследователи, похоже, все больше смиряются с отсутствием перспектив для краткосрочного применения, говорит Шульд, работающий в квантовой компьютерной фирме Xanadu со штаб-квартирой в Торонто, Канада.
Некоторые исследователи начинают переключать свое внимание на идею применения алгоритмов квантового машинного обучения к явлениям, которые по своей сути являются квантовыми. По словам физика Арама Харроу из Массачусетского технологического института (MIT) в Кембридже, из всех предлагаемых применений квантового машинного обучения это «область, в которой имеется довольно явное квантовое преимущество».
Помогут ли квантовые алгоритмы?
За последние 20 лет исследователи квантовых вычислений разработали множество квантовых алгоритмов, которые теоретически могут сделать машинное обучение более эффективным. В 2008 году Харроу вместе с физиками Массачусетского технологического института Сетом Ллойдом и Авинатаном Хасидимом (сейчас работает в Университете Бар-Илан в Рамат-Гане, Израиль) изобрел квантовый алгоритм1< a i=2>, который экспоненциально быстрее, чем классический компьютер, решает большие наборы линейных уравнений, что является одной из задач, лежащих в основе машинного обучения .
Но в некоторых случаях обещания квантовых алгоритмов не оправдались. Один громкий пример произошел в 2018 году, когда ученый-компьютерщик Эвин Тан нашел способ обойти алгоритм квантового машинного обучения2 разработан в 2016 году. Квантовый алгоритм был разработан для предоставления предложений, которые интернет-торговые компании и сервисы, такие как Netflix, дают клиентам на основе их предыдущего выбора — и он давал такие рекомендации экспоненциально быстрее, чем любой другой известный алгоритм. классический алгоритм.
Тан, который в то время был 18-летним студентом Техасского университета в Остине (Юта), написал алгоритм, который был почти таким же быстрым, но мог работать на обычном компьютере. Квантовые рекомендации были редким примером алгоритма, который, казалось, обеспечивал значительное увеличение скорости решения практической задачи, поэтому ее работа «поставила цель экспоненциального квантового ускорения для практической задачи машинного обучения даже дальше, чем она была достигнута». было раньше», — говорит исследователь квантовых компьютеров UT Скотт Ааронсон, который был советником Тана. Тан, которая сейчас работает в Калифорнийском университете в Беркли, говорит, что она по-прежнему «довольно скептически» относится к любым заявлениям о значительном квантовом ускорении машинного обучения.
Потенциально еще более серьезная проблема заключается в том, что классические данные и квантовые вычисления не всегда хорошо сочетаются. Грубо говоря, типичное приложение квантовых вычислений состоит из трех основных этапов. Сначала квантовый компьютер инициализируется, что означает, что его отдельные блоки памяти, называемые квантовыми битами или кубитами, помещаются в коллективное запутанное квантовое состояние. Далее компьютер выполняет последовательность операций — квантовый аналог логических операций над классическими битами. На третьем этапе компьютер выполняет считывание, например, измеряя состояние одного кубита, несущего информацию о результате квантовой операции. Это может быть, скажем, вращается ли данный электрон внутри машины по часовой стрелке или против часовой стрелки.
Самая тонкая из соломинок
Алгоритмы, подобные алгоритму Харроу, Хасидима и Ллойда, обещают ускорить второй этап — квантовые операции. Но во многих приложениях первый и третий шаги могут быть чрезвычайно медленными и свести на нет этот выигрыш3. Шаг инициализации требует загрузки «классических» данных в квантовый компьютер и перевода их в квантовое состояние, что часто является неэффективным процессом. А поскольку квантовая физика по своей сути вероятностна, показания часто имеют элемент случайности, и в этом случае компьютеру приходится повторять все три этапа несколько раз и усреднять результаты, чтобы получить окончательный ответ.
По словам Натана Вибе, исследователя квантовых вычислений из Вашингтонского университета в Сиэтле, после того, как квантованные данные будут обработаны в окончательное квантовое состояние, получение ответа может занять много времени. «Мы можем высасывать эту информацию только из самой тонкой соломинки», — сказал Вибе , глядя на квантовую машину– обучающий семинар в октябре.
«Когда вы спрашиваете почти любого исследователя, в каких приложениях будут хороши квантовые компьютеры, он отвечает: «Вероятно, не классические данные», — говорит Шульд. «Пока нет реальных оснований полагать, что классические данные нуждаются в квантовых эффектах».
Валлекорса и другие говорят, что скорость — не единственный показатель, по которому следует оценивать квантовый алгоритм. Есть также намеки на то, что квантовая система искусственного интеллекта, основанная на машинном обучении, может научиться распознавать закономерности в данных, которые ее классические аналоги пропустили бы. Возможно, это связано с тем, что квантовая запутанность устанавливает корреляции между квантовыми битами и, следовательно, между точками данных, говорит Карл Янсен, физик из лаборатории физики элементарных частиц DESY в Цойтене, Германия. «Мы надеемся, что мы сможем обнаружить корреляции в данных, которые было бы очень трудно обнаружить с помощью классических алгоритмов», — говорит он.
Но Ааронсон не согласен. Квантовые компьютеры следуют хорошо известным законам физики, и поэтому их работа и результат квантового алгоритма полностью предсказуемы обычным компьютером, если дать ему достаточно времени. «Таким образом, единственный вопрос, который представляет интерес, заключается в том, работает ли квантовый компьютер быстрее, чем его идеальная классическая симуляция», — говорит Ааронсон.
Фундаментальное квантовое изменение
Другая возможность — вообще обойти препятствие перевода классических данных, используя алгоритмы квантового машинного обучения для данных, которые уже являются квантовыми.
На протяжении всей истории квантовой физики измерение квантового явления определялось как численное считывание с помощью прибора, который «живет» в макроскопическом, классическом мире. Но появляется новая идея, связанная с зарождающейся техникой, известной как квантовое зондирование, которая позволяет измерять квантовые свойства системы с использованием чисто квантовых приборов. Загрузите эти квантовые состояния непосредственно в кубиты квантового компьютера, а затем квантовое машинное обучение можно будет использовать для выявления закономерностей без какого-либо интерфейса с классической системой.
Когда дело доходит до машинного обучения, это может дать большие преимущества перед системами, которые собирают квантовые измерения как классические точки данных, говорит Синь-Юань Хуан, физик из Массачусетского технологического института и исследователь из Google. «Наш мир по своей сути является квантовомеханическим. Если вы хотите иметь квантовую машину, способную обучаться, она может быть гораздо более мощной», — говорит он.
Хуанг и его коллеги провели экспериментальный эксперимент на одном из квантовых компьютеров Google Sycamore4. Некоторые из его кубитов они посвятили моделированию поведения своего рода абстрактного материала. Затем другая часть процессора взяла информацию из этих кубитов и проанализировала ее с помощью квантового машинного обучения. Исследователи обнаружили, что этот метод работает экспоненциально быстрее, чем классические измерения и анализ данных.
Это сверхпроводник?
По словам Хуанга, полный сбор и анализ данных в квантовом мире может позволить физикам заняться вопросами, на которые классические измерения могут ответить лишь косвенно. Один из таких вопросов заключается в том, находится ли определенный материал в определенном квантовом состоянии, которое делает его сверхпроводником — способным проводить электричество практически с нулевым сопротивлением. Классические эксперименты требуют, чтобы физики косвенно доказали сверхпроводимость, например, проверив, как материал реагирует на магнитные поля.
Физики элементарных частиц также рассматривают возможность использования квантового зондирования для обработки данных, полученных с помощью будущих коллайдеров частиц, например, в LUXE, эксперименте DESY, который будет сталкивать электроны и фотоны вместе, говорит Дженсен, – хотя эта идея все еще остается, по крайней мере, нерешенной. до реализации этого проекта осталось десять лет, добавляет он. Астрономические обсерватории, расположенные далеко друг от друга, также могут использовать квантовые датчики для сбора данных и их передачи — посредством будущего «квантового Интернета» — в центральный центр. лаборатория для обработки на квантовом компьютере. Есть надежда, что это позволит получать изображения с беспрецедентной резкостью.
Если такие приложения квантового зондирования окажутся успешными, квантовое машинное обучение может сыграть роль в объединении измерений этих экспериментов и анализе полученных квантовых данных.
В конечном счете, будут ли квантовые компьютеры предлагать преимущества машинному обучению, будет решаться путем экспериментов, а не математических доказательств их превосходства или отсутствия такового. «Мы не можем ожидать, что все будет доказано так, как мы это делаем в теоретической информатике», — говорит Харроу.
«Я определенно считаю, что квантовое машинное обучение все еще стоит изучать», — говорит Ааронсон, независимо от того, приведет ли оно к повышению эффективности. Шульд соглашается. «Нам нужно провести исследование, не ограничиваясь доказательством ускорения, по крайней мере, на какое-то время».
Для того, чтобы быть в курсе новостей в сфере науки, подписывайтесь на наш Telegram-канал.
Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.
