Bardzo dużo pojawia się ostatnio w mediach informacji o potencjalnym zastosowaniu komputerów kwantowych w różnych dziedzinach życia. Jednym z ciekawszych zastosowań jest połączenie trzech technologii, które same w sobie sa niesamowicie ekscytujące, ale jeśli połączyć je razem stworzą coś na miarę kolejnej rewolucji technologicznej.
Istnieją ogromne nadzieje, że potężna moc obliczeniowa komputerów kwantowych pewnego dnia może przynieść gwałtowny postęp w dziedzinie sztucznej inteligencji. Systemy AI doskonale funkcjonują, gdy algorytmy uczenia się maszynowego wykorzystywane do ich szkolenia otrzymują ogromne ilości danych. Dzięki temu budowane klasifikatory pozwalają na szybszą i doskonalsza analizę. Oczywiście im dokładniej dane mogą być klasyfikowane według określonych cech lub właściwości, tym proces uczenia będzie działał szybciej i lepiej będzie działać AI. Oczekuje się, że komputery kwantowe odegrają kluczową rolę w maszynowym i pozwolą na zbudowanie systemu gotowego na wykorzystanie coraz bardziej skomplikowanych obliczeniowo przestrzeni funkcyjnych.
Splątania kwantowe i superpozycje, a efektywność algorytmów
Praca nad tego typu integracją została zapoczątkowana w ramach działu rozwojowego IBM, która – jako jedyna w ramach swojej chmury obliczeniowej – posiada ogólnodostępny komputer kwantowy. Naukowcy związani z tym projektem opracowali serię algorytmów kwantowych w których wykorzystanie efektów kwantowych – takich, jak splątanie czy też superpozycja – pozawala na poprawę dokładność klasyfikacji obiektów w systemach sztucznej inteligencji. Stworzone przez nich klasyfikatory wykorzystują wymienione efekty do identyfikacji i sortowania danych. Zaobserwowano podczas eksperymentu, iż – wraz ze wzrostem ilości wykorzystanych splątań – ogólna dokładność testu ulega znacznej poprawie.
Istnieją ogromne nadzieje, że potężna moc obliczeniowa komputerów kwantowych pewnego dnia może przynieść gwałtowny postęp w dziedzinie sztucznej inteligencji. Systemy AI doskonale funkcjonują, gdy algorytmy uczenia się maszynowego wykorzystywane do ich szkolenia otrzymują ogromne ilości danych. Dzięki temu budowane klasifikatory pozwalają na szybszą i doskonalsza analizę. Oczekuje się, że komputery kwantowe odegrają kluczową rolę w maszynowym i pozwolą na zbudowanie systemu gotowego na wykorzystanie coraz bardziej skomplikowanych obliczeniowo przestrzeni funkcyjnych.
Uczenie maszynowe i obliczenia kwantowe to dwie technologie, z których każda może zmienić sposób wykonywania zadań w celu rozwiązania trudnych problemów. Metoda jądra (kernel) dla uczenia maszynowego jest aktualnie wszechobecne w rozpoznawaniu wzorów. Najbardziej znaną metodą klasyfikacji problemów jest metoda wektorów nośnych (SVM). Głównym ograniczeniem w skutecznym rozwiązaniu takich problemów klasyfikacyjnych jest fakt, że w pewnym momencie przestrzeń funkcjonalna staje się duża, funkcje jądra stają się obliczeniowo skomplikowane, a ich czas wykonania trudny do oszacowania. Kluczowym elementem przyspieszeń obliczeniowych umożliwianych przez algorytmy kwantowe jest wykorzystanie wykładniczo dużej przestrzeni stanu kwantowego poprzez sterowane splątanie i interferencję.
Rozwój algorytmów wspierających uczenie maszynowe
Aktualny stan prac naukowców z firmy IBM można sprawdzić na stronie (bit.ly/2ydErDD). Mamy tutaj unikalną możliwość sprawdzenia przewagi klasyfikatorów opartych o splątanie kwantowe nad tymi które wykorzystują tylko superpozycje. W tym drugim przypadku jest pewne, iż klasyczna symulacja może być bardziej wydajna. Jednakże wraz z zastosowaniem nie tylko superpozycji, ale i splątania nawet algorytmy bazujące na transformacie Fouriera czy też SVM zaczynają pokazywać swoją przewagę.
Naukowcy IBM opracowali serię algorytmów kwantowych w których wykorzystanie efektów kwantowych – takich, jak splątanie czy też superpozycja – pozawala na poprawę dokładność klasyfikacji obiektów w systemach sztucznej inteligencji. Stworzone przez nich klasyfikatory wykorzystują wymienione efekty do identyfikacji i sortowania danych. Zaobserwowano podczas eksperymentu, iż – wraz ze wzrostem ilości wykorzystanych splątań – ogólna dokładność testu ulega znacznej poprawie.
W przyszłości rozwój algorytmów kwantowych wspierających uczenie maszynowe pozwoliłby nam szybciej rozwiązywać złożone problemy i przyspieszyć realizację takich obszarów, jak modelowanie, rozpoznawanie wzorów i wykrywanie oszustw. Eksperymentowanie z takimi algorytmami możliwe jest w otwartym środowisku programistycznym Qiskit. Projekt ten aktualnie jest wykorzystywany przez dużą grupę entuzjastów i profesjonalistów, co pozwala na wymianę doświadczeń i informacji. Sam projekt jest w pełni bezpłatny i otwarty, jednakże wymaga dość specjalistycznej wiedzy na temat architektury wykorzystywanych urządzeń.
Qiskit Aqua – budowa aplikacji do obliczeń kwantowych
Kolejnym bardzo ciekawym projektem, który dynamicznie się rozwija jest Qiskit Aqua. Dzięki niemu naukowcy mogą przekładać problemy związane z uczeniem maszynowym na dane wejściowe dla algorytmów. Qiskit Aqua jest to zbiór interdyscyplinarnych algorytmów kwantowych, za pomocą których można budować aplikacje do obliczeń kwantowych. System został zaprojektowany tak, aby można go było łatwo i szybko rozbudowywać, a jego konstrukcja jest intuicyjna. Dzięki temu bardzo ułatwione jest jego użytkowanie. Obecnie pozwala ono użytkownikowi na prowadzenie projektów z zakresu chemii, sztucznej inteligencji, optymalizacji i finansowania aplikacji dla komputerów kwantowych bliskiego zasięgu NISQ (Noisy Intermediate-Scale Quantum).
Najbardziej znaną metodą klasyfikacji problemów w uczeniu maszynowym jest metoda wektorów nośnych (SVM).Głównym ograniczeniem w skutecznym rozwiązaniu takich problemów klasyfikacyjnych jest fakt, że w pewnym momencie przestrzeń funkcjonalna staje się duża, funkcje jądra stają się obliczeniowo skomplikowane, a ich czas wykonania trudny do oszacowania. Kluczowym elementem przyspieszeń obliczeniowych umożliwianych przez algorytmy kwantowe jest wykorzystanie wykładniczo dużej przestrzeni stanu kwantowego poprzez sterowane splątanie i interferencję.
Nadal jednak jesteśmy daleko od osiągnięcia przewagi kwantowej dla uczenia się maszynowego, czyli punktu, w którym komputery kwantowe przewyższają komputery klasyczne w ich zdolności do wykonywania algorytmów sztucznej inteligencji. Jednak rozwijane metody mapowania mogą wkrótce być w stanie sklasyfikować znacznie bardziej złożone zestawy danych niż cokolwiek, z czym mógłby sobie poradzić klasyczny komputer. Wydaje się więc, że jest to ścieżka rozwoju, która w obecnych czasach może nas zaprowadzić do momentu w którym połączenie sztucznej inteligencji, uczenia maszynowego i informatyki kwantowej stanie się całkowicie nierozerwalne.
dr Piotr Biskupski,
IBM Q Ambassador, IBM Security – IBM i2 – Pan-IMT Client Technical Professional
