Kuantum bilgisayarlar yapay zekayı geliştirebilir mi?
Sınırları olmayan bilim
Biz bilginin taşıyıcılarıyız
Refah zamanı
Bugün üç kitap göndereceğiz Beijing Union Press Sağlanan yüksek kaliteli popüler bilim kitapları "Evrenin Kenarına Bir Elma Fırlatmak" .
Elmanın inişinden, çarpık uzay-zamana, holografik evrene, gizemli kara delik ufkuna, romantik kuantum sargısına ve büyüleyici sicim teorisine. Nefesinizi tutun ve ufukta görünmek üzere olan büyülü ufka bakmaya hazırlanın. Henüz keşfedilmemiş bu ülkede ne bulacağımızı kim bilebilir?
Bunu nasıl alabilirim " Evrenin kenarına bir elma atın "Ne dersin? Katılmanın yolu çok basit! Aşağıdaki makaleyi dikkatlice okuduğunuz sürece, makalenin sonunda sorulan soruları düşünün, kesinlikle takip edin Etkileşim: cevabınız Biçim biçiminde yorum alanına bir mesaj bırakın, ödül kazanma şansınız var! (Not: Formatı gereksinimleri karşılamayanlar geçersizdir) Bu Perşembe günü öğlen 12'den itibaren ilk üç beğeni alanlara " Evrenin kenarına bir elma atın ".
[Etkileşimli soru ve cevap örneği]
etkileşimli: Cevabınızı burada özgürce kullanabilirsiniz ~
Yazar: George Musser
Çeviri: yangfz
Yorumcu: Chen Xing
Kuantum hesaplama ve makine öğreniminin füzyonu hızla büyüyen bir araştırma alanı haline geldi. Bu araştırma alanı beklentileri karşılayabilir mi?
1990'ların başında, Wichita Eyalet Üniversitesi'nde fizik profesörü olan Elizabeth Behrman, kuantum fiziğini yapay zeka ile, özellikle de o zamanın başına buyruk sinir ağı teknolojisi ile birleştirmek için çalışmaya başladı. Çoğu insan onun yağı ve suyu karıştırdığını ve yararlı hiçbir şey üretemeyeceğini düşünüyor. "O zamanlar makalemin yayınlanması uzun zaman aldı," diye hatırladı. "Neural Network Magazine sorardı," Kuantum mekaniği nedir? "Physics dergisi," Bu sinir ağı neyin nesi? "Derdi."
Bugün bakıldığında, ikisinin birleşimi dünyadaki en doğal şey gibi görünüyor. Sinir ağları ve diğer makine öğrenimi sistemleri, 21. yüzyılda en yıkıcı ve yenilikçi teknolojiler haline geldi. Sadece satranç ve veri madenciliği gibi çoğumuzun gerçekten iyi olamadığı görevlerde bizi yenmekle kalmaz, aynı zamanda yüz tanıma ve dil çevirisi gibi beynimizin geliştirdiği çeşitli işlevlerde de insanları geride bırakırlar. . Bu sistemler, güçlü bilgi işlem gücü sayesinde mümkün kılınmıştır, bu nedenle teknoloji şirketleri, kaçınılmaz olarak, sadece daha büyük bilgisayarları değil, yeni ve daha güçlü bilgisayarları da ararlar.
Onlarca yıllık araştırmalardan sonra, kuantum bilgisayarlar, dünyadaki diğer bilgisayarların yapamayacağı hesaplamaları neredeyse gerçekleştirme yeteneğine sahiptir. Katil uygulamaları genellikle modern şifreleme teknolojisinin anahtarı olan büyük sayıların çarpanlara ayrılması olarak kabul edilir. Bu çarpanlara ayırmanın başarılması en az on yıl alacak olsa da. Bununla birlikte, günümüzün temel kuantum işlemcileri bile makine öğreniminin ihtiyaçlarını şaşırtıcı bir şekilde karşılamaktadır. Eksik veya belirsiz verilerle boğulmadan, klasik bilgisayarların görmezden geldiği ince kalıpları seçerek büyük miktarda veriyi tek adımda işlerler. California, Berkeley'deki kuantum bilgisayar şirketi Rigetti Computing'de fizikçi olan Johannes Otterbach, "Kuantum hesaplama ile makine öğreniminin doğasında bulunan istatistiksel özellikler arasında doğal bir kombinasyon var" dedi.
Herhangi bir fark varsa, sarkacın şimdi diğer uca taşınmış olmasıdır. Google, Microsoft, IBM ve diğer teknoloji devleri makine öğrenimine büyük yatırım yapıyor ve Toronto Üniversitesi'nin başlangıç kuluçka merkezi de bunun üzerinde çalışıyor. Moskova'daki Skolkovo Bilim ve Teknoloji Enstitüsü'nde kuantum fizikçisi olan Jacob Biamonte'ye göre, "Makine öğrenimi bir moda haline geliyor. Kuantum ile karıştırıldığında süper moda bir kelime haline gelir. "
Ancak, içindeki "kuantum" kelimesi göründüğü gibi değil. Bir kuantum makine öğrenimi sisteminin çok güçlü olması gerektiğini düşünseniz de, bir tür kilitlenme sendromundan etkilenir. İnsan tarafından okunabilen veriler üzerinde değil, kuantum hallerinde çalışır ve ikisi arasındaki dönüşüm, bariz avantajlarını ortadan kaldırabilir. Sanki son teknoloji yeni bir cep telefonu almışsınız gibi ... Her açıdan etkileyici olsa da, ağınız hala her zamanki gibi kötüyse, eski telefonunuz kadar sinir bozucu olacaktır. Bazı özel durumlar için, fizikçiler bu girdi-çıktı darboğazının üstesinden gelebilir, ancak bu durumların gerçek makine öğrenimi görevlerinde ortaya çıkıp çıkmadığı hala bilinmemektedir. Austin'deki Texas Üniversitesi'nde bir bilgisayar bilimcisi olan Scott Aronson şunları söyledi: "Net bir cevabımız yok. Bu algoritmaların hızlanıp hızlanmayacağı insanlar genellikle umursamıyor." Kuantum hesaplama alanında her zaman Sesinizi ayık tutun.
Kuantum nöron
Sinir ağlarının ana görevi, ister klasik ister kuantum olsun, kalıpları tanımaktır. İnsan beyninden esinlenen bir sinir ağı, temel bilgi işlem birimlerinden - "nöronlardan" oluşan bir ızgaradır. Her "nöron" bir anahtar kadar basittir. Bir nöron, oylama yapıyormuş gibi diğer birçok nöronun çıktısını izler.Eğer yeterli sayıda nöron anahtarı açmayı seçerse, nöron açılır. Normalde, nöronlar katmanlar halinde düzenlenir. İlk katman girdi alır (görüntü pikselleri gibi), orta katman çeşitli girdi kombinasyonları (kenarlar ve geometrik şekiller gibi yapısal temsiller) oluşturur ve son katman çıktı (görüntü içeriğinin yüksek seviyeli açıklaması) üretir.
Tipik bir sinir ağı. Kaynak: Lucy Reading-Ikkanda / Quanta Magazine
Şebeke hatlarının önceden sabitlenmemesi, sürekli bir deneme yanılma sürecinde ayarlanması çok önemlidir. Bu ağ, kedi yavrusu veya köpek yavrusu olarak etiketlenmiş resimlere "beslenebilir". Her resim için bir etiket atar, resmin kendi etiketiyle tutarlı olup olmadığını kontrol eder ve değilse nöronlar arasındaki bağlantıları ayarlar. İlk başta tahminler gelişigüzeldi, ancak yavaş yavaş iyileşecek; yaklaşık 10.000 denemeden sonra, yavru kedileri yavru köpeklerden nasıl ayırt edeceğini biliyor. Bir sinir ağında bir milyar ara bağlantı bile olabilir ve tüm bu ara bağlantı parametrelerinin ayarlanması gerekir.
Klasik bir bilgisayarda, tüm bu bağlantılar büyük bir sayı matrisi ile temsil edilir ve ağı çalıştırmak, matris cebiri yapmak anlamına gelir. Genellikle, bu matris işlemleri, bir grafik işleme birimi (GPU) gibi özel bir yongaya taşınır. Ancak matris işlemleri için bir kuantum bilgisayardan daha iyi bir şey yoktur. Massachusetts Institute of Technology'de kuantum hesaplamanın öncüsü ve fizikçi Seth Lloyd, "Kuantum bilgisayarlarda, büyük matrislerin ve büyük vektörlerin işlemleri üstel bir oranda artar" dedi.
Bu görev için kuantum bilgisayarlar, kuantum sistemlerinin üstel doğasından yararlanabilir. Bir kuantum sisteminin büyük miktardaki bilgi depolama kapasitesi, klasik bilgisayar bitlerinin kuantum karşılığı olan bireysel veri birimi kübitlerinde değil, bu kübitlerin toplu özelliklerinde yatar. İki kübit dört birleşik duruma sahiptir, ikisi açık, ikisi de kapalı veya biri açık ve biri kapalı ve bunun tersi de geçerlidir. Her durum, bir nöronu temsil edebilen belirli bir ağırlığa veya "genliğe" sahiptir. Üçüncü kübiti eklerseniz, 8 nöronu temsil edebilirsiniz; dördüncüyü eklerseniz, 16'yı temsil edebilirsiniz. Makinenin kapasitesi katlanarak artıyor. Aslında, nöronlar tüm sisteme bulaşmıştır. Dört kübit durumunda çalıştığınızda, aynı anda 16 sayıyı işlersiniz ve klasik bir bilgisayar bu sayıları tek tek işlemelidir.
Lloyd, 60 kübitin insanların bir yılda üretebileceği veri miktarını kodlamak için yeterli olduğunu, 300 kübitin ise gözlemlenebilir evrenin klasik bilgi içeriğini taşıyabileceğini tahmin ediyor (şu anda en büyük kuantum bilgisayar IBM, Intel ve Google'dan oluşuyor. 72 kübitlik bilgisayar şirket tarafından oluşturulmuştur). Bu, her genliğin yalnızca tek bir klasik bit olduğunu varsayar. Aronson şunları söyledi: Aslında, genlik sürekli bir sayıdır (aslında karmaşık bir sayıdır) ve belirli deneysel doğrulukta 15 bit depolayabilir.
Ancak kuantum bilgisayarların bilgi depolama kapasitesi onu daha hızlı yapmaz. Bu kubitleri kullanabilmeniz gerekir. 2008'de Massachusetts Teknoloji Enstitüsü'nde fizikçi olan Alam Harrow ve İsrail'deki Bar-Ilan Üniversitesi'nde bilgisayar bilimcisi olan Avinathan Hasidin ters matrisin temel cebirsel işleminin nasıl hesaplanacağını gösterdiler. Tüm operasyonu bir kuantum bilgisayarda yürütülebilen bir dizi mantıksal işleme ayırırlar. Algoritmaları çeşitli makine öğrenimi tekniklerine uygulanabilir. Ve büyük bir sayıyı çarpanlarına ayırmak kadar çok algoritma adımı gerektirmez. Kuantum bilgisayarlar, gürültü doğru sonuçları etkilemeden önce sınıflandırma görevlerini tamamlayabilir ve gürültü günümüz teknolojisinde önemli bir sınırlayıcı faktördür. IBM'in Thomas J. Watson Araştırma Merkezi'nden Kristan Temme şunları söyledi: "Tamamen genel hataya dayanıklı bir kuantum bilgisayara sahip olmadan önce, kuantum avantajları olan bir bilgisayara sahip olabilirsiniz."
Doğanın sorunu çözmesine izin ver
Bununla birlikte, şimdiye kadar, kuantum matris cebirine dayalı makine öğrenimi, yalnızca dört kübite sahip makinelerde kanıtlanmıştır. Şimdiye kadar, kuantum makine öğrenimi üzerine yapılan başarılı deneylerin çoğu farklı bir yaklaşım benimsedi.Bu deneylerde, kuantum sistemleri sadece ağları simüle etmekle kalmıyor, aynı zamanda ağların kendileri. Her kübit bir nöronu temsil eder. Üstel gücün olmamasına rağmen, bu tür cihazlar kuantum fiziğinin diğer özelliklerinden yararlanabilir.
Bu tür en büyük cihaz, Vancouver, British Columbia yakınlarındaki D-Wave şirketi tarafından üretilen bir kuantum işlemcidir. Çoğu insanın düşündüğü türden bir bilgisayar değil. Bazı girdi verileriyle başlamaz, bir dizi işlem gerçekleştirmez ve çıktıyı görüntüler, ancak dahili tutarlılıkla çalışır. Kübitlerinin her biri, yukarı, aşağı veya yukarı ve aşağı üst üste binmiş bir yönde küçük bir elektromıknatıs gibi süper iletken bir halkadır. Qubit'ler birbirine "bağlanır" ve manyetik olarak etkileşime girmelerine izin verir.
D-Wave tarafından üretilen işlemciler, makine öğrenimi uygulamalarında kullanılıyor. Kaynak: Mwjohnson0
Bu sistemi çalıştırmak için, önce kübitleri eşit bir süperpozisyona (boş duruma eşdeğer) başlatan yatay bir manyetik alan uygulanır. Veri girmenin birkaç yolu vardır. Bazı durumlarda, bir kübit katmanını istenen giriş değerine ayarlayabilirsiniz; daha sık olarak, girdiyi kübit etkileşiminin gücüne dahil edersiniz. O zaman kübitlerin etkileşime girmesine izin verin. Bazı kübitler aynı yönde olma eğilimindeyken, diğerleri ters yönde olma eğilimindedir, yatay alanın etkisi altında istedikleri yöne dönerler. Bunu yaparken, diğer kübit dönüşlerini tetikleyebilirler. Bu durum genellikle başlangıçta meydana gelir, çünkü kübitlerin yönelimi şu anda tutarlı değildir. Bununla birlikte, zaman geçtikçe yerleşirler ve yatay manyetik alanı kapatarak onları kilitleyebilirsiniz. Bu noktada, çıkışın girişi takip etmesini sağlamak için kübit yukarı ve aşağı modundadır.
Kübitlerin son düzenlemesinin ne olacağı belli değil ve sorun bu. Bu sistem, sıradan bilgisayarların çözmesi zor olan bir sorunu doğal olarak çözüyor. D-Wave makinesinin ilkelerini icat eden Tokyo Teknoloji Enstitüsü'nden fizikçi Hidetoshi Nishimori, "Algoritmalara ihtiyacımız yok" diye açıklıyor. "Bu, geleneksel programlamadan tamamen farklı. Doğa sorunu çözüyor."
Qubit dönüşü, doğal bir eğilim olan kuantum tünelleme etkisi tarafından yönlendirilir, yani kuantum sistemleri ikinci en iyi seçenekten memnun olmak yerine optimum konfigürasyonunu bulmalıdır. Benzer bir prensipte çalışan klasik bir ağ kurabilirsiniz, tünelleme yerine rastgele atlamalar kullanarak biraz saygısızlık elde edebilirsiniz ve bazı durumlarda aslında daha iyi çalışacaktır. Ancak ilginç olan, kuantum ağlarının, makine öğreniminde ortaya çıkan çeşitli problemler için en uygun duruma daha hızlı ulaşmasıdır.
D-Wave'in makinesi de bazı eleştiriler aldı. Çok gürültülü ve mevcut sürümde yalnızca sınırlı bir işletim menüsü gerçekleştirebiliyor. Bununla birlikte, makine öğrenimi algoritmasının kendisi doğası gereği gürültüye toleranslıdır. Kesin olarak faydalıdırlar çünkü kaotik gerçekliği anlayabilirler ve kırmızı ringa balığı bağlamında yavru kedileri seçebilirler. Bellman, "Hepimizin bildiği gibi, sinir ağları gürültüye karşı çok dayanıklıdır" dedi.
2009 yılında, Google bilgisayar bilimcisi Hartmut Neven (Google Glass projesinin kurucu ortağı) liderliğindeki bir ekip, daha sonra kuantum bilgi işlemeye başladı ve erken D- Wave makinesi saygın bir makine öğrenimi görevini nasıl başarabilir? Bunu temelde tek katmanlı bir sinir ağı olarak kullandılar ve 20.000 sokak sahnesi galerisindeki görüntüleri iki kategoriye ayırdılar: "arabalı" veya "arabasız". Makinede yalnızca 52 kübite var ve tüm görüntüyü neredeyse hiç kabul edemiyor (unutmayın: D-Wave makinesinin türü, 2018'de piyasaya sürülen en gelişmiş 72 kübit sistemden çok farklıdır). Böylece Neven'in ekibi bu makineyi klasik bir bilgisayarla birleştirdi. Bu bilgisayar, görüntünün çeşitli istatistiklerini analiz etti ve bu sayıların, arabaların varlığına ne kadar duyarlı olduğunu hesapladı - genellikle çok hassas değil, en azından Yazı tura atmak iyidir. Bu sayıların bazı kombinasyonları birlikte güvenilir bir şekilde bir arabayı tanımlayabilir, ancak hangisi olduğu net değildir. İnternetin işi öğrenmek.
Ekip, her miktara bir kübit atadı. Bu kübit 1 ise, karşılık gelen miktarı yararlı olarak işaretleyecektir; 0, rahatsız etmeyin anlamına gelir. Kübitlerin manyetik etkileşimi, sorunun gereksinimlerini kodlar, örneğin yalnızca en ayırt edici büyüklükleri dahil eder, böylece son seçim mümkün olduğu kadar kompakt olur. Sonuç olarak, arabalar bulunabilir.
Geçen yıl, California Teknoloji Enstitüsü'nde parçacık fizikçisi olan Maria Spiropulu ve Güney Kaliforniya Üniversitesi'nde fizikçi olan Daniel Lida tarafından yönetilen bir ekip, algoritmayı gerçek bir fiziksel probleme uyguladı: proton çarpışmalarını "Higgs" olarak sınıflandırmak "Zar" veya "Higgs Bozonu Yok". Dikkatlerini, fışkıran fotonların çarpışmalarıyla sınırladılar ve belirli bir eşiği aşan momentum gibi hangi foton özelliklerinin Higgs'in geçici olduğunu tahmin etmek için temel parçacık teorisini kullandılar. Toplam 36 aday sinyal için bu tür 8 özelliği ve 28 kombinasyonu değerlendirdiler ve Güney Kaliforniya Üniversitesi'nin yeni D-Wave makinesinin en iyi seçeneği bulmasına izin verdiler. 16 değişkenin faydalı olduğuna ve 3'ün en iyi olduğuna inanmaktadır. Standart prosedürlerle karşılaştırıldığında, kuantum bilgisayarlar doğru tanımlama yapmak için daha az veriye ihtiyaç duyar. Lidar, "Eğitim setinin küçük olduğunu varsayarsak, kuantum yöntemleri, yüksek enerji fiziğinde kullanılan geleneksel yöntemlere göre doğru bir avantaj sağlar" dedi.
California Institute of Technology'de fizikçi olan Maria Spiropulu, Higgs bozonunu bulmak için kuantum makine öğrenimini kullanıyor. Kaynak: Maria Spiropulu
Geçen yıl Aralık ayında, Rigetti 19 kübitlik bir evrensel kuantum bilgisayar kullanarak nesneleri otomatik olarak gruplamak için bir yöntem gösterdi. Araştırmacılar, şehirler ve şehirler arasındaki mesafelerin bir listesini yaptı ve onlardan şehirleri iki coğrafi bölgeye ayırmalarını istedi. Bu sorunu zorlaştıran şey, bir şehrin belirlenmesinin diğer tüm şehirlerin belirlenmesine bağlı olmasıdır, bu nedenle tüm sistemi aynı anda çözmeniz gerekir.
Rigetti ekibi, her şehre, hangi gruba atandığını gösteren bir kübit atadı. Kübitlerin etkileşimi sayesinde (Rigetti'nin sisteminde bunlar manyetik alanlardan ziyade elektrik alanlarıdır), her kübit çifti zıt değerler almaya daha meyillidir - yaptıklarında enerjileri en aza indirilir. Açıktır ki, ikiden fazla kübite sahip herhangi bir sistem için, bazı kübitlerin aynı gruba atanmayı kabul etmesi gerekir. Birbirine daha yakın şehirlerin anlaşmaya varma olasılığı daha yüksektir çünkü aynı gruptaki enerji tüketimi uzaktaki şehirlerden daha düşüktür.
Rigetti ekibi, sistemin enerjisini en aza indirmek için D-Wave tavlama prosedürüne benzer bir yöntem benimsedi. Kübiti, tüm olası küme atamalarının üst üste binmesi olarak başlattılar. Kübitlerin basit etkileşimler gerçekleştirmesine izin verirler, bu da onları aynı veya zıt değerleri üstlenmeye yönlendirir. Daha sonra, yatay manyetik alana benzer bir yöntem uyguladılar ve kübitin eğildiğinde dönmesine izin vererek sistemi en düşük enerji durumuna ittiler. Sistem enerjisini en aza indirene ve böylece şehri iki ayrı alana bölene kadar bu iki aşamalı süreci - etkileşime girip sonra ters çevirerek - tekrarlarlar.
Bu sınıflandırma görevleri kullanışlıdır, ancak çok basittir. Makine öğreniminin gerçek sınırı üretim modelleridir.Sadece yavruları ve kedileri tanıyamazlar, aynı zamanda yeni prototipler de üretebilirler - daha önce hiç var olmayan hayvanlar, ama her biri onlar kadar sevimli. Hatta "kedi yavrusu" ve "köpek yavrusu" sınıflandırmasını kendi başlarına çözebilir veya eksik kuyruk veya pençelerin görüntülerini yeniden oluşturabilirler. D dalgası baş bilim insanı Mohammad Amin (Mohammad Amin), "Bu teknolojiler çok güçlü ve makine öğreniminde çok yararlı, ancak çok zor." Dedi. Quantum'un yardım sağlaması harika olurdu.
D-Wave ve diğer araştırma ekipleri bu zorluğu kabul etti. Böyle bir modeli eğitmek, ağın bazı örnek verileri yeniden oluşturabilmesi için kübitler arasındaki manyetik veya elektronik etkileşimleri ayarlamak anlamına gelir. Bunu yapmak için ağı sıradan bilgisayarlarla birleştirmeniz gerekir. Ağ, büyük bir iyileştirmeden sorumludur - belirli bir etkileşim seçiminin nihai ağ yapılandırması için ne anlama geldiğini anlamak - ve daha sonra bilgisayar, etkileşimi ayarlamak için bu bilgiyi kullanır. NASA'nın Kuantum Yapay Zeka Laboratuvarı'nda araştırmacı olan Alejandro Perdomo-Ortiz ve ekibi, geçen yıl bir gösteride D-Wave makinesini el yazısı sayıların görüntülerine "besliyor". 0 ile 9 arasındaki sayılarla eşleşen 10 kategori olduğunu buldu ve kendi karalanmış numarasını üretti.
Tünelde darboğaz
Yukarıdakiler iyi haber. Ancak kötü olan şey, işlemciye veri giremezseniz, işlemcinizin ne kadar iyi olduğunun önemi yoktur. Matris cebir algoritmasında, tek bir işlem 16 sayılık bir matrisi işleyebilir, ancak matrisi yüklemek için hala 16 işlem gerekir. Kuantum makine öğrenimindeki ilk doktora grubundan biri olan kuantum hesaplama başlangıcı Xanadu'da araştırmacı olan Maria Schuld, "Kuantum durumlarının hazırlanması - klasik verilerin kuantum durumlarına dönüştürülmesi - tamamen göz ardı edildi. Sanırım bu En önemli kısımlardan biri ". Fiziksel bir biçimde düzenlenmiş bir makine öğrenimi sistemi iki büyük güçlükle karşı karşıyadır: Sorunun kübit ağına nasıl yerleştirileceği ve kübitler arasındaki etkileşimin nasıl elde edileceği.
Veriler başarıyla girildikten sonra, kuantum sisteminin devam eden hesaplamanın çökmesine neden olmadan onunla etkileşime girebileceği şekilde depolanması gerekir. Lloyd ve meslektaşları, foton kullanan bir kuantum RAM önerdiler, ancak hiç kimse süper iletken kübitler veya iyon tuzakları gibi teknoloji lideri kuantum hesaplamada benzer bir cihaza sahip değil. Aaronson, "Bu, kendi başına bir kuantum bilgisayar inşa etme sorununun yanı sıra bir başka büyük teknik sorundur" dedi. "Deneycilerden edindiğim izlenim şaşkınlıktı. Bunu nasıl inşa etmeye başlayacaklarını bilmiyorlardı."
Son olarak, verilerinizi nasıl alırsınız? Bu, makinenin kuantum durumunun ölçüldüğü anlamına gelir ve her ölçüm için rastgele çizilmiş bir sayı döndürmekle kalmaz, tüm durumu daraltacak ve siz onu alma şansınız olmadan kalan verileri temizleyecektir. Tüm bilgileri çıkarmak için algoritmayı tekrar tekrar çalıştırmalısınız.
Ama biz her şeyi kaybetmedik. Belirli problem türleri için kuantum girişimini kullanabilirsiniz. Başka bir deyişle, yanlış cevabın kendiliğinden kaybolması ve doğru cevabın kendi kendini pekiştirmesi için işlemleri düzenleyebilirsiniz; bu şekilde, kuantum durumunu ölçtüğünüzde, size rastgele bir değer değil, istediğiniz cevabı verecektir. Ancak kaba kuvvet araması gibi yalnızca birkaç algoritma paraziti iyi bir şekilde kullanabilir ve hızlanma genellikle çok büyük değildir.
Bazı durumlarda, araştırmacılar veri elde etmek için kısayollar buldular. 2015 yılında, Kanada'daki Waterloo Üniversitesi'nden Lloyd, Silvano Garnerone ve Güney Kaliforniya Üniversitesi'nden Paolo Zanardi, bazı istatistiksel analizler için tüm veri setini girmeniz veya kaydetmeniz gerekmediğini belirtti. Yalnızca birkaç anahtar değere ihtiyacınız var ve tüm verileri okumanıza gerek yok. Örneğin, teknoloji şirketleri, büyük bir tüketim alışkanlıkları matrisine dayalı olarak şovları izlemeyi veya bir şeyler satın almayı önermek için makine öğrenimini kullanıyor. Aaronson, "Netflix veya Amazon iseniz veya her neyse, matrisi hiçbir yere yazmanıza gerek yok" dedi. "Gerçekten ihtiyacınız olan şey, kullanıcılar için öneriler üretmektir."
Tüm bunlar şu soruyu gündeme getiriyor: Bir kuantum makinesi yalnızca özel koşullar altında güçlü ise, klasik makine de bu koşullar altında güçlü müdür? Bu, bu alandaki çözülmemiş ana problemdir. Sonuçta, sıradan bilgisayarlar da çok yeteneklidir. Genellikle büyük veri kümelerini işlemek için seçilen yöntem - rastgele örnekleme - aslında bir kuantum bilgisayara çok benzer, içinde ne olursa olsun, sonunda rastgele bir sonuç verecektir. Schuld: "Çok sayıda algoritma yaptım ve 'Bu harika. Hak ettiğimiz ivmeyi elde ettik' diye düşündüm. Sonra aslında sadece eğlence için klasik bir bilgisayar için bir örnekleme tekniği yazdım. Numune almak için aynı yöntemi kullanabilirsiniz. "
Kuantum makine öğreniminin şimdiye kadarki başarılarına bakarsanız, hepsinde yıldız işareti var. D-Wave makinesini örnek olarak alın. Araba resimlerini ve Higgs bozonlarını sınıflandırırken, geleneksel makinelerden daha hızlı değildir. Google DeepMind'da bir bilgisayar bilimcisi ve Higgs araştırma ekibinin bir üyesi olan Alex Mott, "Bu makalede bahsetmediğimiz bir konu kuantum ivmesidir" dedi. Harrow-Hassidim-Lloyd algoritması gibi matris cebir yöntemleri, hız artışlarının yalnızca matrisin seyrek, çoğunlukla sıfır olduğunda gösterildiğini gösterir. Schuld, "Hiç kimse sormayacak, seyrek veri kümeleri makine öğreniminde gerçekten ilginç mi?"
Kuantum zekası
Öte yandan mevcut teknolojinin kademeli olarak iyileştirilmesi bile teknoloji şirketlerini mutlu edecektir. Microsoft Research'te kuantum hesaplama araştırmacısı Nathan Wiebe, "Sonunda bu avantajları göreceksiniz, ancak bunlar üstel değil, ikinci dereceden olabilir," dedi. Büyük ve hızlı kuantum bilgisayarlarla, makine öğreniminin birçok alanını tamamen değiştirebiliriz. " Bu sistemleri kullanma sürecinde bilgisayar bilimcileri teorik bir problemi yani hızlı doğup doğmadıklarını ve nedenlerini çözebilirler.
Schuld ayrıca yazılımda yenilik için yer gördü. Makine öğrenimi, bir dizi hesaplamadan daha fazlasıdır. Bu, kendine özgü yapısı ile karmaşık bir sorundur. Dedi ki: "İnsanların oluşturduğu algoritmalar makine öğrenimini daha az ilginç ve güzel hale getiriyor. Bu yüzden tersine düşünmeye başladım: Eğer bu kuantum bilgisayar zaten varsa - bu küçük ölçekli bilgisayarlar - o zaman gerçekten gerçekleştirilebilir. Hangi makine öğrenimi modeli? Henüz icat edilmemiş bir model olabilir. " Fizikçiler makine öğrenimi uzmanlarını etkilemek istiyorsa, mevcut modellerin kuantum versiyonlarını yapmaktan daha fazlasını yapmaları gerekir.
Tıpkı birçok sinirbilimcinin, insan zihninin yapısının bir vücuda sahip olmanın gereklerini yansıttığına inanması gibi, makine öğrenme sistemleri de öyle. Görüntüler, dil ve diğer verilerin çoğu fiziksel dünyadan gelir ve özelliklerini yansıtır. Kuantum makine öğrenimi de yansıtılır, ancak daha zengin bir dünyada. Hiç şüphe yok ki zaten kuantum olan verileri işlemede mükemmel olacak. Veriler bir görüntü değil, fiziksel veya kimyasal deneylerin ürünü olduğunda, kuantum makineleri kendi çağlarını başlatacaklar. Giriş problemi ortadan kalkacak ve klasik bilgisayar toz içinde unutulacaktır.
Sinir ağları ve kuantum işlemcilerin ortak bir yanı var: Aslında çalışıyorlar ki bu yeterince şaşırtıcı. Sinir ağlarının eğitilebileceği açık değildir ve insanlar yıllarca bunun imkansız olduğundan şüphelenmişlerdir. Benzer şekilde, kuantum fiziğinin hesaplamak için kullanılabileceği açık değildir, çünkü kuantum fiziğinin benzersiz özellikleri bizim için çok iyi gizlenmiştir. Bununla birlikte, her ikisi de etkilidir - her zaman böyle olmasa da, çoğu zaman beklentilerimizi çok aşmıştır. Emsallerine göre, sendikaları yerini bulacak gibi görünüyor.
Orijinal bağlantı:
Etkileşim sorunu
[Etkileşim sorusu: Genel amaçlı kuantum bilgisayarlar gerçekleştirilebilir ve mevcut bilgisayarlar kadar popüler hale gelirse, dünya nasıl olacak?
Lütfen kesinlikle takip edin Etkileşim: Soruların yanıtları Etkileşime katılmak için yorum alanına bir mesaj bırakın. Gereksinimleri karşılamayanlar geçersizdir.
Bu perşembe öğlen 12'den itibaren en çok beğenilen üç kişi bizden bir kitap alacak.
Editör: The Little Novice Monk of Shan Temple
En Yeni 10 Popüler Makale
Görüntülemek için başlığa tıklayın
