Смогут ли квантовые компьютеры вывести машинное обучение AI на принципиально новый уровень?
Привет. Квантовые компьютеры могли бы дать возможность алгоритмам машинного обучения, лежащим в основе современного искусственного интеллекта, значительно ускориться, но насколько мы далеко от их создания? Международная группа исследователей изложила те препятствия, которые еще предстоит преодолеть.
В этом году наблюдается всплеск интереса к квантовым вычислениям, отчасти благодаря объявлению Google, что к концу 2017 года они продемонстрируют «квантовое господство». Это означает, что решение проблемы, выходящей за рамки возможностей обычных компьютеров, которые, по прогнозам компании равны 49 кубитам (квантовый разряд или наименьший элемент для хранения информации в квантовом компьютере).
Как бы впечатляющим ни был такой прогресс, демонстрация, вероятно, будет связана с эзотерической проблемой, которая сильно сказывается на преимуществах квантового процессора, а получение квантовых компьютеров для выполнения практически полезных вычислений потребует гораздо больше усилий.
Но эти устройства имеют большие перспективы для решения проблем в таких разнообразных областях, как криптография или прогнозирование погоды. Одним из важных вопросов, связанных с квантовыми компьютерами, - могут ли они быть использованы для поддержки алгоритмов машинного обучения, которые уже трансформируют современный мир.
Классические методы машинного обучения, такие как глубокие нейронные сети, часто обладают той особенностью, что они могут распознавать статистические закономерности в данных и производить новые данные с аналогичными статистическими закономерностями.
Если небольшие квантовые информационные процессоры могут создавать статистические формы или структуры, которые в вычеслительном отношении практически недоступны для создания классическим компьютером, то, возможно, они также смогут распознавать структуры, которые также сегодня трудны для распознавания классическими компьютерами.
Из-за того, как работают квантовые компьютеры, используя необычные квантовомеханические эффекты, такие как запутывание и алгоритмы суперпозиции, в принципе они должны быть способны решать проблемы намного быстрее, чем известные классические алгоритмы, явление, известное как квантовое ускорение.
Проектирование таких алгоритмов - сложная работа, но исследователи отмечают, что за последние годы был достигнут значительный прогресс. Они выделяют многократные квантовые алгоритмы, демонстрирующие квантовое ускорение, которые могут действовать как подпрограммы или строительные блоки для программ квантового машинного обучения.
У нас по-прежнему нет аппаратного обеспечения для реализации этих алгоритмов, но, по мнению исследователей, эта проблема техническая, и существуют четкие пути ее преодоления. Говорят, что более сложными являются четыре фундаментальные концептуальные проблемы, которые могут ограничить применимость квантового машинного обучения.
Первые два являются проблемами ввода и вывода. Квантовые компьютеры, что неудивительно, касаются квантовых данных, но большинство проблем, которые люди хотят решить, относятся к классическому миру. Перевод значительных количеств классических данных в квантовые системы может занять столько времени, что может нивелировать преимущества более быстрой скорости обработки, и то же самое верно для обратного считывания решения.
Проблема ввода может быть в некоторой степени смягчена разработкой квантовой памяти произвольного доступа (qRAM) - эквивалентной ОЗУ на обычном компьютере, используемом для обеспечения машины быстрым доступом к рабочей памяти. QRAM может быть сконфигурирован для хранения классических данных, но с возможностью квантовым компьютерам одновременно получать доступ ко всей этой информации в качестве суперпозиции, что требуется для множества квантовых алгоритмов. Но это по-прежнему серьезная инженерная проблема.
Проблема с вводом/выводом, связана с проблемой калькуляции. В настоящее время нам очень мало известно о том, сколько операций потребуется алгоритму квантового машинного обучения для решения данной проблемы при работе с классическими устройствами.
Ожидается, что по очень сложным проблемам они будут предлагать значительные улучшения по сравнению с классическими компьютерами, но неясно, насколько большими должны быть проблемы, чтобы эти преимущества стали очевидны.
Наконец, может быть трудно доказать, когда эти преимущества начинают проявляться Эту проблему авторы называют проблемой сравнительного анализа. Утверждая, что квантовый алгоритм может превзойти любой классический подход в организации машинного обучения, необходимо провести тщательное тестирование.
Ученые предполагают, что эта проблема может быть обойдена путем снижения стандартов квантовых алгоритмов обучения в настоящее время. В этом есть смысл, поскольку на самом деле не имеет значения, является ли алгоритм внутренне быстрее всех возможных классических алгоритмов, до тех пор, пока он принципиально быстрее всех уже существующих.
Другой способ избежать некоторые из этих проблем - применить такие методы непосредственно к квантовым данным, фактическим состояниям, генерируемым квантовыми системами и процессами. Авторы говорят, что это, вероятно, самое перспективное краткосрочное приложение для квантового машинного обучения, имеющее дополнительную выгоду, заключающуюся в том, что что любые полученные идеи всегда могут быть учтены при разработке нового лучшего оборудования.
Это позволило бы использовать эффективный цикл инноваций, подобный тому, который произошел в классических вычислениях, где каждое поколение процессоров затем использовалось для проектирования процессоров следующего поколения.
