Clasic învățare automată (ML) algoritmii s-au dovedit a fi instrumente puternice pentru o gamă largă de sarcini, inclusiv recunoașterea imaginilor și a vorbirii, prelucrarea limbajului natural (NLP) și modelarea predictivă. Cu toate acestea, algoritmii clasici sunt limitați de constrângerile calculului clasic și pot avea dificultăți să proceseze mari și seturi de date complexe sau atinge niveluri ridicate de acuratețe și precizie.

Introduceți învățarea automată cuantică (QML).

QML combină puterea de cuantic calcul cu capacitățile predictive ale ML pentru a depăși limitările algoritmilor clasici și pentru a oferi îmbunătățiri ale performanței. În lucrarea lor „Despre rolul întanglementării în accelerarea cuantică-computațională”, Richard Jozsa și Neil Linden, de la Universitatea Bristol din Marea Britanie, scriu că „algoritmii QML țin promisiunea de a oferi accelerații exponențiale față de omologii lor clasici pentru anumite sarcini, cum ar fi clasificarea datelor, selecția caracteristicilor și analiza clusterului. . În special, utilizarea algoritmilor cuantici pentru învățarea supravegheată și nesupravegheată are potențialul de a revoluționa învățarea automată și inteligență artificială. "

QML versus învățarea automată clasică

Zohra Ladha, director senior, știința datelor și IA la Credence, spune că QML diferă de învățarea automată tradițională în mai multe moduri cheie:

Algoritmii tradiționali de învățare automată, care se bazează pe tehnici de calcul clasice și nu au aceste capacități cuantice, pot fi mai lenți sau mai puțin precisi în anumite cazuri.

Călătoria QML: de la cercetare la lumea reală

Cercetările privind învățarea automată cuantică au început în anii 1980. La sfârșitul anilor 1990 și începutul anilor 2000, cercetătorii au dezvoltat cuantica rețele neuronale pentru a demonstra potențialul sistemelor cuantice pentru învățarea automată care pot fi antrenate să recunoască modele în date. Aceste rețele au fost aplicate de atunci la o gamă largă de probleme din lumea reală.

Un deceniu mai târziu, cercetătorii au dezvoltat algoritmi cuantici și instrumente software pentru sarcinile de învățare automată. Acestea au inclus versiuni cuantice ale algoritmilor populari de învățare automată, cum ar fi mașini vectori de suport, arbori de decizie și rețele neuronale.

Dezvoltarea calculatoarelor cuantice a fost, de asemenea, un factor cheie în creșterea QML. În anii 2010 și 2020, mai multe companii și grupuri de cercetare au dezvoltat computere cuantice care ar putea îndeplini sarcini de învățare automată. Acestea au inclus atât computere cuantice bazate pe poartă, cât și cuantic recoacetoare. În anii 2020, QML a început să fie adoptat pe scară largă în aplicații, inclusiv recunoașterea modelelor, procesarea limbajului natural și optimizare.

Astăzi, una dintre cele mai promițătoare aplicații ale QML este descoperirea de medicamente. Procesele tradiționale de descoperire a medicamentelor pot fi lente, costisitoare și inconsecvente. QML are potențialul de a accelera procesul. „După succesul nostru inițial în găsirea unui covid19 moleculă terapeutică, am vrut să extindem spațiul pentru a genera acum molecule mai mici”, a spus Nikhil Malhotra, șeful global al Makers Lab la Tech Mahindra. „Generarea GAN cuantică sau hibridă GAN este ceva ce încercăm pentru moleculele mici. Acest lucru, cred, ar avansa semnificativ descoperirea medicamentelor și chiar crearea de noi medicamente.”

Piețele financiare sunt un alt domeniu în care QML a fost promițător. A Hârtie 2021 de la Future Lab for Applied Research and Engineering al JPMorgan a concluzionat că QML poate îndeplini sarcini precum stabilirea prețurilor activelor, prezicerea volatilității, prezicerea rezultatului opțiunilor exotice, detectarea fraudei, selecția acțiunilor, selecția fondurilor speculative, tranzacționarea algoritmică, crearea de piață, prognoza financiară, contabilitate și audit și evaluarea riscurilor mult mai rapid și mai precis decât algoritmii clasici.

Promisiunea din 2023 a învățării automate cuantice

„QML este un domeniu interesant și în dezvoltare rapidă, care are potențialul de a avea un impact semnificativ asupra unei game largi de industrii și aplicații”, a spus Ladha. Pentru 2023, ea prezice că algoritmii cuantici au potențialul de a efectua anumite sarcini de învățare automată mai rapid și mai precis, în special pentru sarcini precum recunoașterea imaginilor și a vorbirii, care necesită procesarea unor cantități mari de date. Ea subliniază, de asemenea, că QML poate aborda problemele de optimizare care apar adesea în sarcinile de învățare automată și sunt dificil de rezolvat folosind algoritmi clasici. Ladha prezice că capacitatea algoritmilor cuantici de a rezolva aceste probleme mai eficient ar putea aduce beneficii finanțelor și logisticii.

Securitate cibernetică este un alt domeniu în care ea prezice că QML va avea un impact. „Prin dezvoltarea unor algoritmi mai sofisticați pentru a detecta și a preveni atacurile cibernetice, învățarea automată cuantică ar putea îmbunătăți securitatea sistemelor”, a spus ea.

Săpând puțin mai adânc în tehnologia în sine, Malhotra a spus că se așteaptă să vadă o mare majoritate a algoritmilor ML, în special cei de pe rețelele neuronale artificiale, să fie încercați pe mașina cuantică ca algoritmi de învățare a mașinilor cuantice. „Am văzut predări timpurii precum QNLP, Q-GAN și chiar învățare consolidată pe circuitele cuantice. Anticipez tendința de creștere în 2023”, a spus el.

Provocările învățării automate cuantice rămân

QML este o mare problemă datorită promisiunii sale. Dovezile sugerează că modelele de învățare automată pot fi antrenate pentru o acuratețe mai mare, cu mai puține date decât cu tehnicile noastre clasice actuale. Cu toate acestea, conform Îra Buchholz, lider cuantic global și CTO, al serviciilor guvernamentale și publice, la Deloitte Consulting LLP, răspunsul la întrebările „Cu cât mai puțin?” și „Cu cât mai repede?” se modifică în mod regulat din cauza următoarelor provocări QML:

• „În ceea ce privește hardware-ul, cele mai puternice computere cuantice existente astăzi sunt încă limitate – mai ales în comparație cu cele mai puternice servere de astăzi. Anticipăm această schimbare în următorii ani, deoarece există mult mai mult loc pentru ca tehnologia de calcul cuantic să avanseze și să crească.

• „În ceea ce privește software-ul și algoritmii, calculatoarele cuantice funcționează fundamental diferit față de computerele de astăzi. Drept urmare, cercetătorii încearcă să găsească cele mai bune modalități de a mapa problemele pe computerele cuantice (și într-adevăr, să determină care probleme ar putea fi utile de rezolvat pe computerele cuantice). Pe măsură ce venim cu mapări mai bine generalizate, devine mai ușor pentru alții să-și „aducă problemele” computerelor cuantice.

„De ani de zile, QML a fost – și continuă să fie – un domeniu de cercetare activă. Pe măsură ce maturitatea hardware și software se îmbunătățește, este probabil să vedem organizațiile încep să evalueze utilizarea QML în sarcinile de producție”, a continuat Buchholz. „Deoarece avem încă câțiva ani de la a avea o mașină care ar putea rula sarcini de lucru QML de producție, continuăm să avansăm în stadiul tehnicii în QML, pe măsură ce hardware-ul continuă să se îmbunătățească. Dar anticipez progrese QML incrementale de-a lungul anului 2023, adică continuarea îmbunătățirii tehnicilor de scalare a volumului, de încărcare a datelor și de rulare a modelelor.”