Apakah ada aplikasi potensial komputer kuantum dalam pembelajaran mesin atau AI?

Banyak orang percaya bahwa komputer kuantum dapat terbukti menjadi langkah penting dalam menciptakan pembelajaran mesin baru dan algoritma AI yang dapat memberikan dorongan besar ke lapangan. Bahkan ada penelitian bahwa otak kita mungkin komputer kuantum, tetapi sejauh ini tidak ada konsensus di antara para peneliti.

Mengingat bahwa saya benar-benar baru di bidang ini, saya ingin tahu apakah ada beberapa penelitian yang dilakukan dalam aplikasi komputer kuantum dalam AI yang, secara teori, dapat bekerja lebih baik pada beberapa tugas atau menyatu lebih cepat daripada algoritma pembelajaran mendalam modern.

Saya hanya akan menjawab bagian dari pertanyaan tentang bagaimana mekanika kuantum dapat berguna untuk analisis data klasik melalui pembelajaran mesin. Ada juga karya-karya yang berhubungan dengan "AI kuantum", tetapi itu adalah hal yang jauh lebih spekulatif (dan kurang jelas), yang tidak ingin saya bahas.

Jadi, dapatkah komputer kuantum digunakan untuk mempercepat analisis data melalui algoritma pembelajaran mesin ? Mengutip Scott Aaronson. Baca kertas cetak halus , itu pertanyaan sederhana dengan jawaban yang rumit .

Pertama-tama harus dicatat bahwa mencoba menjawab pertanyaan semacam ini adalah bagian besar dari apa bidang penelitian Quantum Machine Learning adalah tentang (baru-baru ini, istilah pembelajaran mesin yang ditingkatkan kuantum atau pembelajaran mesin dibantu kuantum tampaknya lebih disukai untuk merujuk pada penggabungan QM dan ML ini, untuk membedakannya dari penggunaan ML untuk membantu memecahkan masalah dalam QM). Seperti yang dapat Anda lihat dari halaman Wikipedia, ada banyak hal yang terjadi di lapangan, dan tidak ada gunanya mencoba dan memberikan daftar komprehensif makalah yang relevan di sini, karena akan cepat usang.

Mengutip dari Schuld et al. 2014 , ide di balik Quantum-Assisted Machine Learning (QAML) adalah sebagai berikut:

Karena volume data yang disimpan secara global tumbuh sekitar 20% setiap tahun (saat ini berkisar dalam urutan beberapa ratus exabytes [1]), tekanan untuk menemukan pendekatan inovatif untuk pembelajaran mesin meningkat. Sebuah ide yang menjanjikan yang saat ini diselidiki oleh akademisi serta di laboratorium penelitian perusahaan IT terkemuka mengeksploitasi potensi komputasi kuantum untuk mengoptimalkan algoritma pembelajaran mesin klasik.

Kembali ke pertanyaan Anda, jawaban pertama yang tampaknya positif diberikan oleh Harrow et al. 2009 , yang memberikan algoritma kuantum yang efisien untuk membalikkan sistem persamaan linear (di bawah sejumlah kondisi di atas sistem), bekerja ketika data disimpan dalam status kuantum. Menjadi ini operasi aljabar linier yang mendasar, penemuan ini menyebabkan banyak algoritma kuantum yang diusulkan untuk memecahkan masalah pembelajaran mesin oleh beberapa penulis yang sama ( 1307.0401 , 1307.0411 , 1307.0471 ), dan juga oleh banyak lainnya. Sekarang ada banyak ulasan yang dapat Anda lihat untuk mendapatkan daftar referensi yang lebih komprehensif, seperti 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , buku Peter Wittek , dan kemungkinan lebih banyak.

Namun, masih jauh dari pasti bagaimana ini akan berhasil dalam praktiknya. Beberapa alasan dijelaskan dengan baik di koran Aaronson: Baca cetakan kecil (lihat juga versi terbitan: nphys3272 ). Sangat kasar berbicara, masalahnya adalah bahwa algoritma kuantum umumnya menangani "data" seperti yang disimpan dalam keadaan kuantum, sering mengkodekan vektor ke dalam amplitudo negara. Ini adalah, misalnya, kasus untuk QFT , dan masih merupakan kasus untuk HHL09 dan karya turunan.

Masalah besar (atau salah satu masalah besar) dengan ini adalah bahwa jauh dari jelas bagaimana Anda dapat secara efisien memuat data klasik "besar" ke dalam keadaan kuantum ini untuk diproses. Jawaban khas untuk ini adalah "kita hanya perlu menggunakan qRAM ", tetapi itu juga datang dengan banyak peringatan, karena proses ini harus sangat cepat untuk mempertahankan kecepatan eksponensial yang sekarang kita dapat dicapai setelah data masuk bentuk kuantum. Saya kembali merujuk pada kertas Aaronson untuk rincian lebih lanjut tentang peringatan.

Ada argumen bahwa otak kita adalah mekanika kuantum, dan argumen yang menentang, jadi itu topik yang hangat diperdebatkan. Fisher di UCSB memiliki pemikiran spekulatif tentang bagaimana otak mungkin masih menggunakan efek kuantum meskipun mereka tidak mekanis kuantum. Meskipun tidak ada bukti eksperimental langsung, ada dua referensi yang mungkin ingin Anda baca:

• Quantum Cognition: Kemungkinan memproses dengan nuklir berputar di otak

• Apakah kita komputer kuantum, atau sekadar robot pintar?

Sekarang, pada subjek menggunakan komputasi kuantum dan pembelajaran mesin, Rigetti Computing telah menunjukkan algoritma pengelompokan menggunakan prototipe chip kuantum mereka (19 qubit). Mereka menerbitkan temuan mereka di kertas putih di arXiv.org di sini:

• Pembelajaran Mesin Tanpa Pengawasan pada Komputer Quantum Hibrid

Jadi jelas ada peluang untuk memajukan pembelajaran mesin, dan akhirnya, AI menggunakan komputasi kuantum imho.

Sebagian besar pekerjaan yang dilakukan sejauh ini dengan komputer kuantum telah difokuskan pada penyelesaian masalah optimasi kombinatorial. Baik Quantum Annealer gaya D-Wave dan mesin Gate Model terbaru dari Rigetti, IBM, dan Google telah memecahkan masalah optimisasi kombinatorial. Satu pendekatan yang menjanjikan untuk menghubungkan pembelajaran mesin dan komputasi kuantum melibatkan menemukan masalah optimisasi dalam tugas pembelajaran mesin standar.

Sebagai contoh, makalah Rigetti baru-baru ini, Pembelajaran Mesin Tanpa Pengawasan pada Komputer Quantum Hibrid pada dasarnya menyusun kembali masalah pembelajaran mesin tanpa pengawasan dari pengelompokan data menjadi dua kelompok, juga dikenal sebagai pengelompokan 2-cara, ke dalam masalah optimisasi kombinatorial MaxCut. Orang-orang di Rigetti kemudian menyelesaikan masalah MaxCut dengan Algoritma Optimasi Perkiraan Kuantum (QAOA).

Saya berharap untuk melihat lebih banyak gaya kerja ini di masa depan, terutama mengingat hubungan alami antara optimasi dan pembelajaran mesin.