Quantum computing burde overlade denne maskinlæringsteknik

IBM

Kvantecomputere og kunstig intelligens er begge hypet latterligt. Men det ser ud til, at en kombination af de to faktisk kan kombineres for at åbne op for nye muligheder.

I et forskningspapir offentliggjort i dag i tidsskriftet Nature, viser forskere fra IBM og MIT, hvordan en IBM kvantecomputer kan accelerere en bestemt type maskinlæringsopgave kaldet funktionsmatching. Holdet siger, at fremtidige kvantecomputere bør tillade maskinlæring at ramme nye niveauer af kompleksitet.

Som først forestillet sig for årtier siden, blev kvantecomputere set som en anderledes måde at beregne information på. I princippet bør disse maskiner ved at udnytte fysikkens mærkelige, sandsynlige natur på kvante- eller atomskala være i stand til at udføre visse former for beregninger med hastigheder langt ud over dem, der er mulige med enhver konventionel computer (se Hvad er en kvantecomputer? ). Der er en enorm spænding omkring deres potentiale i øjeblikket, da de endelig er på nippet til at nå et punkt, hvor de vil være praktiske.

På samme tid, fordi vi endnu ikke har store kvantecomputere, er det ikke helt klart, hvordan de vil udkonkurrere almindelige supercomputere – eller med andre ord, hvad de rent faktisk vil gøre (se Kvantecomputere er her endelig. Hvad vil gør vi med dem?).

Featurematching er en teknik, der konverterer data til en matematisk repræsentation, der egner sig til maskinlæringsanalyse. Den resulterende maskinlæring afhænger af effektiviteten og kvaliteten af ​​denne proces. Ved hjælp af en kvantecomputer skulle det være muligt at udføre dette i en skala, som hidtil var umulig.

MIT-IBM-forskerne udførte deres simple beregning ved hjælp af en to-qubit kvantecomputer. Fordi maskinen er så lille, beviser den ikke, at større kvantecomputere vil have en fundamental fordel i forhold til konventionelle, men det antyder, at det ville være tilfældet. De største kvantecomputere, der er tilgængelige i dag, har omkring 50 qubits, men ikke alle. kan bruges til beregning på grund af behovet for at korrigere for fejl, der sniger sig ind som følge af disse kvantebits skrøbelige natur.

Vi er stadig langt fra at opnå kvantefordele for maskinlæring, er IBM-forskerne ledet af Jay Gambetta , skriv i et blogindlæg. Alligevel kan de feature-mapping-metoder, vi fremmer, snart være i stand til at klassificere langt mere komplekse datasæt, end noget en klassisk computer kunne håndtere. Det, vi har vist, er en lovende vej frem.

Vi er på et tidspunkt, hvor vi ikke har ansøgninger næste måned eller næste år, men vi er i en rigtig god position til at undersøge mulighederne, siger Xiaodi Wu , en assisterende professor ved University of Marylands Joint Center for Quantum Information and Computer Science. Wu siger, at han forventer, at praktiske anvendelser bliver opdaget inden for et år eller to.

Quantum computing og AI er hot lige nu. For blot et par uger siden kom Xanadu, en opstart af kvantecomputere baseret i Toronto, op med en næsten identisk tilgang til MIT-IBM-forskerne, som virksomheden lagde ud på nettet. Maria Schuld, en maskinlæringsforsker ved Xanadu, siger, at det seneste arbejde kan være starten på en byge af forskningsartikler, der kombinerer modeordene kvante og kunstig intelligens.

Der er et kæmpe potentiale, siger hun.

skjule