Maskininlärning, möt kvantberäkningar

Redan 1958, i de tidigaste dagarna av datorrevolutionen, anordnade US Office of Naval Research en presskonferens för att avslöja en anordning som uppfanns av en psykolog vid namn Frank Rosenblatt vid Cornell Aeronautical Laboratory. Rosenblatt kallade sin enhet en perceptron, och New York Times rapporterade att det var embryot till en elektronisk dator som [marinen] förväntar sig kommer att kunna gå, prata, se, skriva, reproducera sig själv och vara medveten om dess existens.

Dessa påståenden visade sig vara något överdrivna. Men enheten kickstartade ett forskningsfält som fortfarande har enorm potential idag.

En perceptron är ett neuralt nätverk i ett lager. De djuplärande nätverk som har skapat så stort intresse de senaste åren är direkta ättlingar. Även om Rosenblatts enhet aldrig uppnådde sin överhypade potential, finns det ett stort hopp om att en av dess ättlingar kan göra det.

Idag finns en annan informationsbehandlingsrevolution i sin linda: kvantberäkning. Och det väcker en intressant fråga: är det möjligt att implementera en perceptron på en kvantdator, och i så fall hur kraftfull kan den vara?

Idag får vi ett slags svar tack vare Francesco Tacchinos och kollegors arbete vid universitetet i Pavia i Italien. De här killarna har byggt världens första perceptron implementerad på en kvantdator och sedan satt den i takt med några enkla bildbehandlingsuppgifter.

I sin enklaste form tar en perceptron en vektoringång – en uppsättning tal – och multiplicerar den med en viktningsvektor för att producera en utdata med ett enda nummer. Om detta nummer är över en viss tröskel är utmatningen ett , och om det är under tröskeln är utmatningen 0 .

Det har några användbara applikationer. Föreställ dig en pixeluppsättning som producerar en uppsättning ljusintensitetsnivåer - en för varje pixel - när du avbildar ett visst mönster. När denna uppsättning siffror matas in i en perceptron, producerar den en ett eller 0 produktion. Målet är att justera viktningsvektorn och tröskeln så att utgången är ett när den ser, säg en katt, och 0 i alla andra fall.

Tacchino och co har upprepat Rosenblatts tidiga arbete med en kvantdator. Tekniken som gör detta möjligt är IBMs Q-5 Teneriffa supraledande kvantprocessor. Detta är en kvantdator som kan bearbeta fem qubits och programmerbar över webben av alla som kan skriva en kvantalgoritm .

Tacchino och co har skapat en algoritm som tar en klassisk vektor (som en bild) som indata, kombinerar den med en kvantviktningsvektor och sedan producerar en 0 eller ett produktion.

Den stora fördelen med kvantberäkning är att den tillåter en exponentiell ökning av antalet dimensioner den kan bearbeta. Medan en klassisk perceptron kan bearbeta en ingång av N dimensioner kan en kvantperceptron bearbeta 2 N mått.

Tacchino och co demonstrerar detta på IBMs Q-5-processor. På grund av det lilla antalet qubits kan processorn hantera N = 2. Detta motsvarar en 2x2 svart-vit bild. Forskarna frågar sedan: innehåller denna bild horisontella eller vertikala linjer, eller ett rutmönster?

Det visar sig att kvantperceptronen lätt kan klassificera mönstren i dessa enkla bilder. Vi visar att denna kvantmodell av en perceptron kan användas som en elementär olinjär klassificerare av enkla mönster, säger Tacchino och co.

De fortsätter med att visa hur det skulle kunna användas i mer komplexa mönster, om än på ett sätt som begränsas av antalet qubits som kvantprocessorn kan hantera.

Det är ett intressant arbete med stor potential. Rosenblatt och andra upptäckte snart att en enda perceptron bara kan klassificera mycket enkla bilder, som raka linjer. Men andra forskare fann att kombinera perceptroner i lager har mycket större potential. Olika andra framsteg och justeringar har lett till maskiner som kan känna igen föremål och ansikten så exakt som människor kan, och till och med slå de bästa mänskliga spelarna inom schack och Go.

Tacchino och cos kvantperceptron befinner sig på ett liknande tidigt stadium av evolutionen. Framtida mål kommer att vara att koda motsvarigheten till bilder i gråskala och att kombinera kvantperceptroner till nätverk med många lager.

Den här gruppens arbete har den potentialen. Vår procedur är helt generell och skulle kunna implementeras och köras på vilken plattform som helst som kan utföra universell kvantberäkning, säger de.

Naturligtvis är den begränsande faktorn tillgången till mer kraftfulla kvantprocessorer som kan hantera ett större antal qubits. Men de flesta kvantforskare är överens om att denna typ av förmåga är nära.

Sedan Tacchino och co gjorde sitt arbete har IBM redan gjort en 16-qubit kvantprocessor tillgänglig via webben. Det är bara en tidsfråga innan kvantperceptroner blir mycket kraftfullare.

Ref: arxiv.org/abs/1811.02266 : En artificiell neuron implementerad på en faktisk kvantprocessor

Dölj