Forskere sætter maskinlæring på vej til kvantefordel

Der er store forhåbninger om, at quantum computings enorme processorkraft en dag vil frigøre eksponentielle fremskridt inden for kunstig intelligens. AI -systemer trives, når maskinlæringsalgoritmerne, der bruges til at træne dem, får enorme mængder data at indtage, klassificere og analysere. Jo mere præcist disse data kan klassificeres efter specifikke karakteristika, eller funktioner, jo bedre vil AI udføre. Kvantecomputere forventes at spille en afgørende rolle i maskinlæring, herunder det afgørende aspekt ved adgang til mere beregningsmæssigt komplekse funktionsrum-de finkornede aspekter af data, der kan føre til ny indsigt.

I et nyt naturforskningspapir med titlen "Overvåget læring med kvanteforbedrede funktionsrum, "vi beskriver at udvikle og teste en kvantealgoritme med potentiale til at muliggøre maskinlæring på kvantecomputere i den nærmeste fremtid. Vi har vist, at efterhånden som kvantecomputere bliver mere kraftfulde i de kommende år, og deres kvantevolumen stiger, de vil være i stand til at udføre funktionskortlægning, en vigtig komponent i maskinlæring, på meget komplekse datastrukturer i en skala langt uden for rækkevidde for selv de mest magtfulde klassiske computere.

Vores metoder var også i stand til at klassificere data ved hjælp af kortdybde kredsløb, som åbner en vej til håndtering af dekoherens. Lige så markant, vores feature-mapping fungerede som forudsagt:ingen klassificeringsfejl med vores manipulerede data, selvom IBM Q -systemets processorer oplevede decoherence.

Større, Bedre billede

Funktionskortlægning er en måde at adskille data på for at få adgang til finere aspekter af disse data. Både klassiske og kvante maskinlæringsalgoritmer kan nedbryde et billede, for eksempel, pixel, og placer dem i et gitter baseret på hver pixels farveværdi. Derfra kortlægger algoritmerne individuelle datapunkter ikke-lineært til et højdimensionelt rum, nedbryde dataene i henhold til dets vigtigste funktioner. I det meget større kvantetilstandsrum, vi kan adskille aspekter og funktioner ved disse data bedre end vi kunne i et funktionskort, der blev skabt af en klassisk maskinlæringsalgoritme. Ultimativt, jo mere præcist, at data kan klassificeres efter specifikke egenskaber, eller funktioner, jo bedre vil AI udføre.

Målet er at bruge kvantecomputere til at oprette nye klassifikatorer, der genererer mere sofistikerede datakort. Ved at gøre det, forskere vil være i stand til at udvikle mere effektiv AI, der kan, for eksempel, identificere mønstre i data, der er usynlige for klassiske computere.

Vi har udviklet en plan med nye kvantedataklassificeringsalgoritmer og funktionskort. Det er vigtigt for AI, fordi, jo større og mere mangfoldigt et datasæt er, jo vanskeligere er det at adskille disse data til meningsfulde klasser til træning af en maskinlæringsalgoritme. Dårlige klassificeringsresultater fra maskinindlæringsprocessen kunne indføre uønskede resultater; for eksempel, svække en medicinsk enheds evne til at identificere kræftceller baseret på mammografidata.

Støjproblemet

Vi fandt ud af, at selv i tilfælde af støj, vi kunne konsekvent klassificere vores konstruerede data med perfekt nøjagtighed under vores test. Dagens kvantecomputere kæmper for at holde deres qubits i en kvantetilstand i mere end et par hundrede mikrosekunder, selv i et stærkt kontrolleret laboratoriemiljø. Det er vigtigt, fordi qubits skal forblive i den tilstand så længe som muligt for at udføre beregninger.

Vores algoritmer, der viser, hvordan sammenfiltring kan forbedre AI -klassificeringsnøjagtigheden, vil være tilgængelige som en del af IBM's Qiskit Aqua, et open-source bibliotek med kvantealgoritmer, som udviklere, forskere og brancheeksperter kan bruge til at få adgang til kvantecomputere via klassiske applikationer eller almindelige programmeringssprog som f.eks. Python.

Vi er stadig langt fra at opnå Quantum Advantage for machine learning - det punkt, hvor kvantecomputere overgår klassiske computere i deres evne til at udføre AI -algoritmer. Vores forskning viser endnu ikke Quantum Advantage, fordi vi minimerede omfanget af problemet baseret på vores nuværende hardwarefunktioner, ved kun at bruge to qubits kvanteberegningskapacitet, som kan simuleres på en klassisk computer. Men de fremgangsmåder til kortlægning af funktioner, vi fremmer, kunne snart kunne klassificere langt mere komplekse datasæt end noget en klassisk computer kunne håndtere. Det, vi har vist, er en lovende vej frem.