Kvantberäkning bör överbelasta denna maskininlärningsteknik

IBM

Både kvantberäkningar och artificiell intelligens hypas löjligt. Men det verkar som om en kombination av de två verkligen kan kombineras för att öppna upp nya möjligheter.

I en forskningsartikel publicerad i dag i tidskriften Nature visar forskare från IBM och MIT hur en IBM kvantdator kan påskynda en specifik typ av maskininlärningsuppgift som kallas funktionsmatchning. Teamet säger att framtida kvantdatorer bör tillåta maskininlärning att nå nya nivåer av komplexitet.

Som man först föreställde sig för decennier sedan sågs kvantdatorer som ett annorlunda sätt att beräkna information. I princip, genom att utnyttja fysikens märkliga, probabilistiska natur på kvant- eller atomskala, borde dessa maskiner kunna utföra vissa typer av beräkningar med hastigheter långt utöver vad som är möjligt med någon konventionell dator (se Vad är en kvantdator? ). Det finns en enorm spänning över deras potential för tillfället, eftersom de äntligen är på väg att nå en punkt där de kommer att vara praktiska.

Samtidigt, eftersom vi ännu inte har stora kvantdatorer, är det inte helt klart hur de kommer att överträffa vanliga superdatorer – eller, med andra ord, vad de faktiskt kommer att göra (se Kvantdatorerna är äntligen här. Vad kommer vi gör med dem?).

Funktionsmatchning är en teknik som omvandlar data till en matematisk representation som lämpar sig för maskininlärningsanalys. Den resulterande maskininlärningen beror på effektiviteten och kvaliteten på denna process. Med hjälp av en kvantdator borde det vara möjligt att utföra detta i en skala som hittills varit omöjlig.

MIT-IBM-forskarna utförde sin enkla beräkning med en två-qubit kvantdator. Eftersom maskinen är så liten bevisar det inte att större kvantdatorer kommer att ha en fundamental fördel jämfört med konventionella, men det tyder på att det skulle vara fallet. De största kvantdatorerna som finns tillgängliga idag har cirka 50 qubits, även om inte alla kan användas för beräkning på grund av behovet av att korrigera för fel som smyger sig in som ett resultat av den bräckliga naturen hos dessa kvantbitar.

Vi är fortfarande långt ifrån att uppnå kvantfördelar för maskininlärning, ledde IBM-forskarna Jay Gambetta , skriver i ett blogginlägg. Ändå kan de funktionskartläggningsmetoder vi utvecklar snart kunna klassificera mycket mer komplexa datamängder än något en klassisk dator skulle kunna hantera. Det vi har visat är en lovande väg framåt.

Vi är i ett skede där vi inte har ansökningar nästa månad eller nästa år, men vi har ett mycket bra läge att utforska möjligheterna, säger Xiaodi Wu , en biträdande professor vid University of Marylands Joint Center for Quantum Information and Computer Science. Wu säger att han förväntar sig att praktiska tillämpningar kommer att upptäckas inom ett eller två år.

Quantum computing och AI är heta just nu. För bara några veckor sedan kom Xanadu, en kvantdatorstartup baserad i Toronto, med en nästan identiskt tillvägagångssätt till MIT-IBM-forskarnas, som företaget lade ut på nätet. Maria Schuld, en maskinlärande forskare vid Xanadu, säger att det senaste arbetet kan vara början på en uppsjö av forskningsartiklar som kombinerar modeorden kvantum och AI.

Det finns en enorm potential, säger hon.

Dölj