Чи є потенційне застосування квантових комп'ютерів у машинному навчанні чи AI?

Дуже багато людей вважають, що квантові комп'ютери можуть виявитись ключовим кроком у створенні нових машинного навчання та AI алгоритмів, які можуть дати величезний імпульс цій галузі. Навіть були проведені дослідження, що наш мозок може бути квантовим комп'ютером, але поки що немає єдиної думки серед дослідників.

Зважаючи на те, що я абсолютно новий у цій галузі, я хотів дізнатися, чи були проведені якісь дослідження в застосуванні квантових комп’ютерів в ШІ, які, теоретично кажучи, можуть виконувати краще в якомусь завданні або зближуватися швидше, ніж сучасні алгоритми глибокого навчання.

Я відповім лише на частину питання про те, наскільки квантова механіка може бути корисною для аналізу класичних даних за допомогою машинного навчання. Є також твори, пов'язані з "квантовим ШІ", але це набагато більш спекулятивний (і менш визначений) вид речі, в який я не хочу вникати.

Тож чи можна використовувати квантові комп'ютери для прискорення аналізу даних за допомогою алгоритмів машинного навчання ? Цитуючи Скотта Ааронсона Прочитайте тонкий друкований папір, це просте запитання зі складною відповіддю .

Перш за все слід зазначити, що спроба відповісти на подібні запитання є значною частиною того, що стосується дослідницької області квантового машинного навчання (останнім часом, здається, перевагу використовують терміни квантового машинного навчання або квантового машинного навчання. посилатися на це злиття QM та ML, щоб відрізнити його від використання ML для вирішення проблем у QM). Як видно зі сторінки Вікіпедії, у цій галузі відбувається багато речей, і було б безглуздо намагатися надати тут вичерпний перелік відповідних робіт, оскільки він швидко застаріє.

Цитуючи Schuld et al. У 2014 році ідея квантового машинного навчання (QAML) полягає в наступному:

Оскільки обсяг глобально збережених даних щороку зростає приблизно на 20% (в даний час коливається в порядку декількох сотень екзабайт [1]), тиск на пошук інноваційних підходів до машинного навчання зростає. Перспективна ідея, яка зараз досліджується в наукових колах, а також у дослідницьких лабораторіях провідних ІТ-компаній, використовує потенціал квантових обчислень з метою оптимізації класичних алгоритмів машинного навчання.

Повертаючись до свого запитання, першу, здавалося б, позитивну відповідь надали Harrow et al. 2009 рік , який дав ефективний квантовий алгоритм для інвертування лінійної системи рівнянь (за ряду умов над системою), що працює, коли дані зберігаються в квантових станах. Будучи це фундаментальною лінійною операцією алгебри, відкриття призвело до багатьох запропонованих квантових алгоритмів для вирішення проблем машинного навчання одними і тими ж авторами ( 1307.0401 , 1307.0411 , 1307.0471 ), а також багатьма іншими. Зараз існує чимало оглядів, які ви можете ознайомитись, щоб отримати більш вичерпні списки посилань, наприклад 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , книга Пітера Віттека та, ймовірно, більше.

Однак далеко не встановлено, як це діятиме на практиці. Деякі з причин добре пояснені в статті Ааронсона: Прочитайте тонкий шрифт (див. Також опубліковану версію: nphys3272 ). Дуже грубо кажучи, проблема полягає в тому, що квантові алгоритми, як правило, обробляють "дані", що зберігаються в квантових станах, часто кодуючи вектори в амплітуди стану. Наприклад, це стосується QFT , і це все ще стосується HHL09 та похідних робіт.

Велика проблема (або одна з великих проблем) у тому, що далеко не очевидно, як можна ефективно завантажувати "великі" класичні дані в цей квантовий стан для обробки. Типова відповідь на це - "ми просто повинні використовувати qRAM ", але це також має багато застережень, оскільки цей процес повинен бути дуже швидким, щоб підтримувати експоненціальну швидкість, яку ми тепер можемо досягти, коли дані будуть квантова форма. Я знову звертаюся до паперу Ааронсона, щоб отримати детальнішу інформацію про застереження.

Є аргументи, що наші мізки є квантово-механічними, і аргументи проти, тому це гаряча дискусія. Фішер в UCSB має певні роздуми над тим, як мізки все-таки можуть використовувати квантові ефекти, хоча вони не є квантово-механічними. Хоча прямих експериментальних доказів немає, ви можете прочитати два посилання:

• Квантове пізнання: можливість переробки з ядерними спінами в мозку

• Ми квантові комп'ютери чи просто розумні роботи?

Тепер, з питань використання квантових обчислень та машинного навчання, Rigetti Computing продемонстрував алгоритм кластеризації, використовуючи їхні прототипи квантових мікросхем (19 кубітів). Вони опублікували свої висновки у білій книзі на arXiv.org тут:

• Непідконтрольне машинне навчання на гібридному квантовому комп'ютері

Тож явно є можливість просунути машинне навчання, а зрештою, AI, використовуючи квантові обчислення imho.

Значна частина роботи, виконаної з квантовими комп'ютерами, була зосереджена на вирішенні задач комбінаторної оптимізації. Як квантові відпалювачі стилю D-Wave, так і новіші машини Gate Model від Rigetti, IBM та Google вирішували проблеми комбінаторної оптимізації. Один з перспективних підходів до з'єднання машинного навчання та квантових обчислень передбачає пошук проблем оптимізації в рамках стандартних завдань машинного навчання.

Наприклад, нещодавня стаття Рігетті Без нагляду за машинним навчанням на гібридному квантовому комп'ютері по суті перераховує непідконтрольну машинному навчанню проблему кластеризації даних у дві групи, також відомі як кластеризація з двома засобами, у комбінаторну проблему оптимізації MaxCut. Тоді люди в Rigetti вирішують задачу MaxCut за допомогою квантового приблизного алгоритму оптимізації (QAOA).

Я би сподівався побачити більше цього стилю роботи в майбутньому, особливо з огляду на природні зв’язки між оптимізацією та машинним навчанням.