Forklarer:Hvad er kvantemaskinelæring, og hvordan kan det hjælpe os?

Kunstig intelligens refererer til, blandt andet, til maskinernes evne til at demonstrere en vis grad af, hvad mennesker betragter som "intelligens". Denne proces er drevet af den hurtige fremgang i maskinlæring:at få maskiner til at tænke selv frem for at forprogrammere dem med et absolut koncept.

Tag billedgenkendelse. Mennesker udmærker sig til denne opgave, men det har vist sig svært at simulere kunstigt. At træne en maskine til at genkende en kat betyder ikke at indtaste en fast definition af, hvordan en kat ser ud. I stedet, mange forskellige billeder af katte er indtastet; Målet er, at computeren lærer at destillere det underliggende "kattelignende" mønster af pixels.

Denne afhængighed af data er et kraftfuldt træningsværktøj. Men det kommer med potentielle faldgruber. Hvis maskiner er trænet til at finde og udnytte mønstre i data, i visse tilfælde, de foreviger kun løbet, køns- eller klassefordomme, der er specifikke for den nuværende menneskelige intelligens.

Men den databehandlingsfacilitet, der er iboende til maskinlæring, har også potentialet til at generere applikationer, der kan forbedre menneskeliv. "Intelligente" maskiner kan hjælpe forskere til mere effektivt at opdage kræft eller bedre at forstå mental sundhed.

De fleste fremskridt inden for maskinlæring indtil videre har været klassiske:de teknikker, som maskiner bruger til at lære, følger den klassiske fysiks love. De data, de lærer af, har en klassisk form. Maskinerne, som algoritmerne kører på, er også klassiske.

Vi arbejder i det nye felt af kvantemaskinelæring, som undersøger, om den gren af ​​fysikken kaldet kvantemekanik kan forbedre maskinlæring. Kvantemekanik er anderledes end klassisk fysik på et grundlæggende niveau:den beskæftiger sig med sandsynligheder og laver et princip ud af usikkerhed. Kvantemekanikken udvider også fysikken til at omfatte interessante fænomener, som ikke kan forklares ved hjælp af klassisk intuition.

Fra klassisk til kvante

Kvantemekanik er en gren af ​​fysikken, der forsøger at forstå og anvende matematiske, kontrollerbare regler for naturens adfærd i den mindste ende af spektret - på atomskalaen, elektroner og fotoner. Det blev først udviklet i begyndelsen af ​​det 20. århundrede, og har haft stor succes med at beskrive systemer på det mikroskopiske niveau.

Den grundlæggende skel mellem kvanteverdenen og den klassiske verden er blevet populariseret af Schrodingers kat-tankeeksperiment. I det, en kat er forseglet i en boks sammen med et hætteglas med gift og et radioaktivt atom. Frigivelsen af ​​giften - og kattens liv - afhænger af atomets forfald.

Kvantemekanikken gør det muligt at beskrive atomet som samtidig henfaldet eller uforfaldent, indtil en måling tvinger det til en nøjagtig tilstand. Men det skulle da følge, at katten kan beskrives som både død og levende på samme tid, indtil kassen åbnes og kattens tilstand er sikret. Paradokset illustrerer vanskeligheden ved at anvende kvanteregler på klassiske objekter.

Dette er en af ​​de mere fascinerende muligheder, der ligger i kvanteteorien:at det er muligt for et kvantesystem at være i mere end én tilstand på samme tid – et fænomen beskrevet som en superposition – indtil det system er målt.

Kvanteberegning

Der er flere måder, hvorpå maskinlæring kan gøres til kvante. Af disse, det er kapløbet om at skabe en kvantecomputer, der har domineret den populære presse og set udviklingen af ​​konkurrenter som D-Wave-computeren og IBM Quantum Experience.

Kvantecomputeres værdi ville ligge i deres evne til at behandle information og udføre beregningsopgaver anderledes, og i nogle tilfælde hurtigere, end klassiske computere.

Trods kommerciel interesse, ingen af ​​kandidaterne er en direkte succes endnu. Det er fordi fænomenerne de trækker fra i kvantemekanikken, såsom superpositionstilstande, er sarte og tilbøjelige til at blive ødelagt.

Andre grene af kvantemaskinelæring fokuserer på, hvordan kvanteteori kan informere de metoder, som computere bruger til at lære, eller de data, de lærer af, samt finjustering af værktøjerne og teknikkerne til klassisk maskinlæring i en kvanteramme.

Mens målbare resultater stadig for det meste er inden for teoriområdet, kvantemaskinelæring har dagligdags implikationer for almindelige mennesker. Det har længe været forudsagt, at processorkraften i kvantecomputere kunne gøre de nuværende krypteringsteknikker, der bruges i bank- eller andre onlinetransaktioner, ineffektive.

For nylig, kvantemaskinelæringsteknikker såsom annealing har vist forretningsløfte ved at optimere udbyttet af finansielle aktiver eller beregningen af ​​kreditvurderinger.

Kvanteteknikker i maskinlæring vil sandsynligvis også blive vigtige inden for medicinsk teknologi eller lægemiddeldesign, da principperne, der understøtter kemi, grundlæggende er kvante. ProteinQure, en biotekvirksomhed grundlagt i 2017, bruger allerede elementer af kvanteberegning til at udvikle nye terapier.

Quantum machine learning-teknikker vil sandsynligvis have vidtrækkende virkninger på mange af de teknologier, vi er blevet vant til, fra luftfart til landbrug, med virksomheder som Lockheed Martin, NASA og Google er allerede om bord.

Kvantemaskinelæring i Afrika

Kvantemaskinelæring er en spændende, hurtigt voksende felt. Der er etableret en række nystartede virksomheder, der har til formål at perfektionere processen og levere skalerbare kvanteenheder.

Akademikere og universitetsforskere arbejder også på at udnytte potentialet i kvantemaskinelæring. Vi er blandt dem. University of KwaZulu-Natals kvanteforskningsgruppe undersøger både, hvordan kvanteteori kan forbedre maskinlæring, og hvordan maskinlæringsteknikker kan informere kvanteteori.

Dr. Maria Schuld, hvem er en del af gruppen, delte for nylig overskrifter med IBM og det amerikanske universitet MIT om et vigtigt fremskridt inden for kvanteforbedring af kernebaserede maskinlæringsmetoder.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.