Uczenie maszynowe, poznaj obliczenia kwantowe

W 1958 roku, w pierwszych dniach rewolucji komputerowej, Biuro Badań Marynarki Wojennej Stanów Zjednoczonych zorganizowało konferencję prasową, na której zaprezentowano urządzenie wynalezione przez psychologa Franka Rosenblatta z Cornell Aeronautical Laboratory. Rosenblatt nazwał swoje urządzenie perceptronem, a New York Times doniósł, że jest to zarodek elektronicznego komputera, który, według Marynarki Wojennej, będzie w stanie chodzić, mówić, widzieć, pisać, rozmnażać się i być świadomym swojego istnienia.

Te roszczenia okazały się nieco przesadzone. Ale urządzenie zapoczątkowało dziedzinę badań, która do dziś ma ogromny potencjał.

Perceptron to jednowarstwowa sieć neuronowa. Sieci głębokiego uczenia się, które wzbudziły tak duże zainteresowanie w ostatnich latach, są bezpośrednimi potomkami. Chociaż urządzenie Rosenblatta nigdy nie osiągnęło swojego przereklamowanego potencjału, istnieje wielka nadzieja, że ​​któryś z jego potomków może to zrobić.

Dziś kolejna rewolucja w przetwarzaniu informacji jest w powijakach: obliczenia kwantowe. Rodzi to interesujące pytanie: czy możliwe jest zaimplementowanie perceptronu na komputerze kwantowym, a jeśli tak, to jak potężny może być?

Dziś otrzymujemy swego rodzaju odpowiedź dzięki pracy Francesco Tacchino i kolegów z Uniwersytetu w Pawii we Włoszech. Ci goście zbudowali pierwszy na świecie perceptron zaimplementowany na komputerze kwantowym, a następnie poddali go próbom w kilku prostych zadaniach przetwarzania obrazu.

W najprostszej postaci perceptron pobiera wektorową wartość wejściową — zbiór liczb — i mnoży ją przez wektor ważenia, aby uzyskać jednoliczbowy wynik. Jeśli ta liczba przekracza pewien próg, wyjście jest jeden , a jeśli jest poniżej progu, wyjście jest 0 .

To ma kilka przydatnych zastosowań. Wyobraź sobie tablicę pikseli, która tworzy zestaw poziomów natężenia światła — jeden dla każdego piksela — podczas obrazowania określonego wzoru. Kiedy ten zestaw liczb zostanie wprowadzony do perceptronu, wytwarza jeden lub 0 wyjście. Celem jest dostosowanie wektora ważenia i progu tak, aby wynik był jeden kiedy zobaczy, powiedz kota i 0 we wszystkich innych przypadkach.

Tacchino i spółka powtórzyli wczesną pracę Rosenblatta na komputerze kwantowym. Technologia, która to umożliwia, to nadprzewodnikowy procesor kwantowy Q-5 Tenerife firmy IBM. Jest to komputer kwantowy, który może przetwarzać pięć kubitów i programowalny w sieci przez każdego, kto potrafi napisać algorytm kwantowy .

Tacchino i spółka stworzyli algorytm, który pobiera klasyczny wektor (np. obraz) jako dane wejściowe, łączy go z wektorem ważenia kwantowego, a następnie tworzy 0 lub jeden wyjście.

Dużą zaletą obliczeń kwantowych jest to, że umożliwia wykładniczy wzrost liczby wymiarów, które może przetwarzać. Podczas gdy klasyczny perceptron może przetwarzać dane wejściowe n wymiary, perceptron kwantowy może przetwarzać 2 n wymiary.

Tacchino i spółka demonstrują to na procesorze IBM Q-5. Ze względu na małą liczbę kubitów procesor może obsłużyć n = 2. Odpowiada to czarno-białemu obrazowi 2x2. Naukowcy pytają następnie: czy ten obraz zawiera poziome lub pionowe linie, czy też wzór szachownicy?

Okazuje się, że perceptron kwantowy może z łatwością klasyfikować wzorce na tych prostych obrazach. Pokazujemy, że ten kwantowy model perceptronu może być użyty jako elementarny nieliniowy klasyfikator prostych wzorców, powiedzmy Tacchino i spółka.

Następnie pokazują, jak można go używać w bardziej złożonych wzorcach, aczkolwiek w sposób ograniczony liczbą kubitów, które może obsłużyć procesor kwantowy.

To ciekawa praca o dużym potencjale. Rosenblatt i inni wkrótce odkryli, że pojedynczy perceptron może klasyfikować tylko bardzo proste obrazy, takie jak linie proste. Jednak inni naukowcy odkryli, że łączenie perceptronów w warstwy ma znacznie większy potencjał. Różne inne postępy i usprawnienia doprowadziły do ​​powstania maszyn, które potrafią rozpoznawać obiekty i twarze tak dokładnie, jak ludzie, a nawet smagać najlepszych ludzkich graczy w szachy i go.

Perceptron kwantowy Tacchino i Co jest na podobnie wczesnym etapie ewolucji. Przyszłymi celami będzie zakodowanie odpowiednika obrazów w skali szarości oraz połączenie perceptronów kwantowych w sieci wielowarstwowe.

Praca tej grupy ma ten potencjał. Mówią, że nasza procedura jest w pełni ogólna i mogłaby zostać zaimplementowana i uruchomiona na dowolnej platformie zdolnej do wykonywania uniwersalnych obliczeń kwantowych.

Oczywiście czynnikiem ograniczającym jest dostępność mocniejszych procesorów kwantowych zdolnych do obsługi większej liczby kubitów. Jednak większość badaczy kwantowych zgadza się, że tego rodzaju możliwości są bliskie.

Rzeczywiście, odkąd Tacchino i spółka wykonali swoją pracę, IBM już udostępnił w sieci 16-kubitowy procesor kwantowy. To tylko kwestia czasu, zanim perceptrony kwantowe staną się znacznie potężniejsze.

Nr ref.: arxiv.org/abs/1811.02266 : Sztuczny neuron zaimplementowany na rzeczywistym procesorze kwantowym

ukryć