Maskinlæring, mød kvantecomputere

Tilbage i 1958, i de tidligste dage af computerrevolutionen, organiserede US Office of Naval Research en pressekonference for at afsløre en enhed opfundet af en psykolog ved navn Frank Rosenblatt ved Cornell Aeronautical Laboratory. Rosenblatt kaldte sin enhed en perceptron, og New York Times rapporterede, at det var embryonet af en elektronisk computer, som [Flåden] forventer vil være i stand til at gå, tale, se, skrive, reproducere sig selv og være bevidst om dens eksistens.

Disse påstande viste sig at være noget overdrevne. Men enheden kickstartede et forskningsfelt, der stadig har et stort potentiale i dag.

En perceptron er et enkeltlags neuralt netværk. De dybe læringsnetværk, der har skabt så stor interesse i de senere år, er direkte efterkommere. Selvom Rosenblatts enhed aldrig nåede sit overhypede potentiale, er der stort håb om, at en af ​​dens efterkommere måske.

I dag er der endnu en informationsbehandlingsrevolution i sin vorden: kvanteberegning. Og det rejser et interessant spørgsmål: er det muligt at implementere en perceptron på en kvantecomputer, og i så fald, hvor kraftig kan den være?

I dag får vi et slags svar takket være arbejdet fra Francesco Tacchino og kolleger ved Pavia Universitet i Italien. Disse fyre har bygget verdens første perceptron implementeret på en kvantecomputer og derefter sat den igennem sine trin på nogle simple billedbehandlingsopgaver.

I sin enkleste form tager en perceptron et vektorinput - et sæt tal - og multiplicerer det med en vægtningsvektor for at producere et output med et enkelt tal. Hvis dette tal er over en vis tærskel, er outputtet en , og hvis det er under tærsklen, er outputtet 0 .

Det har nogle nyttige applikationer. Forestil dig et pixel-array, der producerer et sæt lysintensitetsniveauer - en for hver pixel - når du tager billeder af et bestemt mønster. Når dette sæt tal føres ind i en perceptron, producerer det en en eller 0 produktion. Målet er at justere vægtningsvektoren og tærskelværdien, så outputtet er en når den ser, siger en kat, og 0 i alle andre tilfælde.

Tacchino og co har gentaget Rosenblatts tidlige arbejde på en kvantecomputer. Teknologien, der gør dette muligt, er IBMs Q-5 Tenerife superledende kvanteprocessor. Dette er en kvantecomputer, der er i stand til at behandle fem qubits og programmerbar over nettet af alle, der kan skrive en kvantealgoritme .

Tacchino og co har skabt en algoritme, der tager en klassisk vektor (som et billede) som input, kombinerer den med en kvantevægtningsvektor og derefter producerer en 0 eller en produktion.

Den store fordel ved kvanteberegning er, at den tillader en eksponentiel stigning i antallet af dimensioner, den kan behandle. Mens en klassisk perceptron kan behandle et input af N dimensioner, kan en kvanteperceptron behandle 2 N dimensioner.

Tacchino og co demonstrerer dette på IBMs Q-5 processor. På grund af det lille antal qubits kan processoren håndtere N = 2. Dette svarer til et 2x2 sort-hvidt billede. Forskerne spørger så: indeholder dette billede vandrette eller lodrette linjer eller et skakternet mønster?

Det viser sig, at kvanteperceptronen nemt kan klassificere mønstrene i disse simple billeder. Vi viser, at denne kvantemodel af en perceptron kan bruges som en elementær ikke-lineær klassificering af simple mønstre, siger Tacchino og co.

De fortsætter med at vise, hvordan det kunne bruges i mere komplekse mønstre, omend på en måde, der er begrænset af antallet af qubits, kvanteprocessoren kan håndtere.

Det er et interessant arbejde med et stort potentiale. Rosenblatt og andre opdagede hurtigt, at en enkelt perceptron kun kan klassificere meget simple billeder, som lige linjer. Imidlertid fandt andre forskere ud af, at det at kombinere perceptroner i lag har meget mere potentiale. Forskellige andre fremskridt og tweaks har ført til maskiner, der kan genkende objekter og ansigter så præcist, som mennesker kan, og endda tæske de bedste menneskelige spillere i skak og Go.

Tacchino og co's kvanteperceptron er på et tilsvarende tidligt stadium af udviklingen. Fremtidige mål vil være at kode svarende til gråskalabilleder og at kombinere kvanteperceptroner i mangelagede netværk.

Denne gruppes arbejde har det potentiale. Vores procedure er fuldstændig generel og kan implementeres og køres på enhver platform, der er i stand til at udføre universel kvanteberegning, siger de.

Selvfølgelig er den begrænsende faktor tilgængeligheden af ​​mere kraftfulde kvanteprocessorer, der er i stand til at håndtere et større antal qubits. Men de fleste kvanteforskere er enige om, at denne form for evne er tæt på.

Faktisk, siden Tacchino og co gjorde deres arbejde, har IBM allerede gjort en 16-qubit kvanteprocessor tilgængelig via internettet. Det er kun et spørgsmål om tid, før kvanteperceptroner bliver meget mere kraftfulde.

Ref: arxiv.org/abs/1811.02266 : En kunstig neuron implementeret på en faktisk kvanteprocessor

skjule