کاربرد یادگیری کلاسیک در مسائل کوانتومی [ ویرایش ]

اطلاعات بیشتر: یادگیری ماشینی در فیزیک

اصطلاح "یادگیری ماشین کوانتومی" گاهی اوقات به یادگیری ماشین کلاسیک بر روی داده های سیستم های کوانتومی اشاره دارد. یک مثال اساسی از این توموگرافی حالت کوانتومی است ، که در آن یک حالت کوانتومی از اندازه گیری آموخته می شود. کاربردهای دیگر شامل یادگیری همیلتونی ها [96] و تولید خودکار آزمایش های کوانتومی است. [20]

نظریه یادگیری کوانتومی [ ویرایش ]

نظریه یادگیری کوانتومی یک تحلیل ریاضی از تعمیم‌های کوانتومی مدل‌های یادگیری کلاسیک و افزایش‌های احتمالی یا سایر پیشرفت‌هایی که ممکن است ارائه کنند را دنبال می‌کند. چارچوب بسیار شبیه به نظریه یادگیری محاسباتی کلاسیک است ، اما یادگیرنده در این مورد یک دستگاه پردازش اطلاعات کوانتومی است، در حالی که داده ها ممکن است کلاسیک یا کوانتومی باشند. تئوری یادگیری کوانتومی را باید با یادگیری ماشینی پیشرفته کوانتومی که در بالا مورد بحث قرار گرفت، مقایسه کرد، جایی که هدف در نظر گرفتن مسائل خاص و استفاده از پروتکل‌های کوانتومی برای بهبود پیچیدگی زمانی الگوریتم‌های کلاسیک برای این مسائل بود. اگرچه نظریه یادگیری کوانتومی هنوز در حال توسعه است، نتایج جزئی در این جهت به دست آمده است. [97]

نقطه شروع در تئوری یادگیری معمولاً یک کلاس مفهومی است، مجموعه ای از مفاهیم ممکن. معمولاً یک مفهوم تابعی در برخی دامنه ها است، مانند{0،1}�{\displaystyle \{0,1\}^{n}}. برای مثال، کلاس مفهومی می‌تواند مجموعه فرمول‌های فرمول نرمال منفصل (DNF) روی n بیت یا مجموعه مدارهای بولی با عمق ثابت باشد. هدف یادگیرنده یادگیری (دقیقا یا تقریباً) یک مفهوم هدف ناشناخته از این کلاس مفهومی است. یادگیرنده ممکن است به طور فعال با مفهوم هدف تعامل داشته باشد یا به طور منفعلانه نمونه هایی از آن دریافت کند.

در یادگیری فعال، یک یادگیرنده می تواند پرس و جوهای عضویت را برای مفهوم هدف c بپرسد و مقدار c(x) آن را در ورودی های x انتخاب شده توسط یادگیرنده بپرسد. سپس یادگیرنده باید مفهوم هدف دقیق را با احتمال زیاد بازسازی کند. در مدل یادگیری دقیق کوانتومی، یادگیرنده می تواند پرس و جوهای عضویت را در برهم نهی کوانتومی ایجاد کند. اگر پیچیدگی یادگیرنده با تعداد جستارهای عضویتی که ایجاد می کند سنجیده شود، آنگاه یادگیرندگان دقیق کوانتومی می توانند به صورت چندجمله ای کارآمدتر از یادگیرندگان کلاسیک برای برخی از کلاس های مفهومی باشند، اما نه بیشتر. [98] اگر پیچیدگی با مقدار زمانی که یادگیرنده استفاده می‌کند اندازه‌گیری شود، کلاس‌های مفهومی وجود دارند که می‌توانند به طور مؤثر توسط یادگیرندگان کوانتومی یاد بگیرند، اما نه توسط یادگیرندگان کلاسیک (تحت فرضیات نظریه پیچیدگی قابل قبول). [98]

یک مدل طبیعی از یادگیری غیرفعال ، احتمالاً یادگیری تقریباً صحیح (PAC) Valiant است . در اینجا یادگیرنده نمونه های تصادفی (x,c(x)) را دریافت می کند، که در آن x بر اساس توزیع ناشناخته D توزیع می شود. هدف یادگیرنده خروجی دادن یک تابع فرضیه h است به طوری که h(x)=c(x) با احتمال زیاد هنگامی که x مطابق D رسم می شود. یادگیرنده باید بتواند برای هر D و هر مفهوم هدف c در کلاس مفهومی خود، h تقریباً درستی تولید کند. می‌توانیم مثال‌های تصادفی را با مثال‌های کوانتومی قوی‌تر جایگزین کنیم{\displaystyle \sum _{x}{\sqrt {D(x)}}|x,c(x)\rangle }. در مدل PAC (و مدل آگنوستیک مربوطه)، این به طور قابل توجهی تعداد نمونه‌های مورد نیاز را کاهش نمی‌دهد: برای هر کلاس مفهومی، پیچیدگی نمونه کلاسیک و کوانتومی تا فاکتورهای ثابت یکسان است. [99] با این حال، برای یادگیری تحت توزیع ثابت D، مثال‌های کوانتومی می‌توانند بسیار مفید باشند، برای مثال برای یادگیری DNF تحت توزیع یکنواخت. [100] هنگام در نظر گرفتن پیچیدگی زمانی، کلاس‌های مفهومی وجود دارد که می‌توانند توسط یادگیرندگان کوانتومی، حتی از مثال‌های کلاسیک، به‌طور کارآمد PAC یاد بگیرند، اما نه توسط یادگیرندگان کلاسیک (دوباره، تحت مفروضات نظری پیچیدگی قابل قبول). [98]

این نوع یادگیری غیرفعال همچنین رایج‌ترین طرح در یادگیری نظارت شده است: الگوریتم یادگیری معمولاً نمونه‌های آموزشی را ثابت می‌کند، بدون اینکه توانایی جستجو در برچسب نمونه‌های بدون برچسب را داشته باشد. خروجی فرضیه h مرحله ای از استقراء است. به طور کلاسیک، یک مدل استقرایی به یک مرحله آموزشی و یک مرحله کاربردی تقسیم می‌شود: پارامترهای مدل در مرحله آموزش تخمین زده می‌شوند، و مدل آموخته‌شده به صورت دلخواه بارها در مرحله کاربرد اعمال می‌شود. در حد مجانبی تعداد کاربردها، این تقسیم فازها با منابع کوانتومی نیز وجود دارد. [101]

پیاده سازی و آزمایش [ ویرایش ]

اولین آزمایش‌ها با استفاده از کامپیوتر کوانتومی موج D آدیاباتیک ، برای مثال، برای شناسایی خودروها در تصاویر دیجیتال با استفاده از تقویت منظم با تابع هدف غیرمحدب در نمایشی در سال 2009 انجام شد . شرکت های فناوری به پتانسیل یادگیری ماشین کوانتومی برای پیاده سازی های فناوری آینده علاقه نشان داده اند. در سال 2013، Google Research، ناسا و انجمن تحقیقات فضایی دانشگاه ها آزمایشگاه هوش مصنوعی کوانتومی را راه اندازی کردند که استفاده از کامپیوتر کوانتومی موج D-آدیاباتیک را بررسی می کند. [103] [104] یک مثال جدیدتر مدل‌های مولد احتمالی را با اتصال زوج دلخواه آموزش داد، که نشان می‌دهد مدل آنها قادر به تولید ارقام دست‌نویس و همچنین بازسازی تصاویر پر سر و صدا از میله‌ها و نوارها و ارقام دست‌نویس است. [63]

با استفاده از یک فناوری بازپخت متفاوت بر اساس تشدید مغناطیسی هسته‌ای (NMR)، یک شبکه کوانتومی هاپفیلد در سال 2009 اجرا شد که داده‌های ورودی و داده‌های حفظ شده را برای همیلتونی‌ها ترسیم می‌کرد و امکان استفاده از محاسبات کوانتومی آدیاباتیک را فراهم می‌کرد. [105] فناوری NMR محاسبات کوانتومی جهانی را نیز امکان‌پذیر می‌سازد، [ نیازمند منبع ] و برای اولین اجرای آزمایشی یک ماشین بردار پشتیبان کوانتومی برای تشخیص عدد دستی «6» و «9» بر روی یک کامپیوتر کوانتومی حالت مایع استفاده شد. 2015. [106] داده های آموزشی شامل پیش پردازش تصویر بود که آنها را به بردارهای 2 بعدی نرمال شده نگاشت می کرد تا تصاویر را به عنوان حالت های یک کیوبیت نشان دهد. دو ورودی بردار، نسبت عمودی و افقی شدت پیکسل تصویر است. هنگامی که بردارها در فضای ویژگی تعریف شدند ، ماشین بردار پشتیبان کوانتومی برای طبقه‌بندی بردار ورودی ناشناخته پیاده‌سازی شد. بازخوانی با خواندن وضعیت نهایی از نظر جهت (بالا/پایین) سیگنال NMR از توموگرافی کوانتومی پرهزینه جلوگیری می کند.

پیاده‌سازی فوتونیک توجه بیشتری را به خود جلب می‌کند، [107] به دلیل اینکه نیازی به خنک‌سازی گسترده ندارند. تشخیص همزمان رقم و بلندگو و پیش‌بینی سری‌های زمانی آشفته با نرخ داده‌ای بیش از 1 گیگابایت بر ثانیه در سال 2013 نشان داده شد . مرز طبقه بندی به صورت تکراری از داده های آموزشی از طریق یک قانون بازخورد. [109] یک بلوک اصلی در بسیاری از الگوریتم های یادگیری محاسبه فاصله بین دو بردار است: این اولین بار به صورت تجربی تا هشت بعد با استفاده از کیوبیت های درهم تنیده در یک کامپیوتر کوانتومی فوتونیک در سال 2015 نشان داده شد. [110]

اخیراً، بر اساس رویکرد نورومیمتیک، یک عنصر جدید به حوزه یادگیری ماشین کوانتومی اضافه شده است، در قالب یک ممریستور به اصطلاح کوانتومی، یک مدل کوانتیزه شده از ممریستور کلاسیک استاندارد . [111] این دستگاه را می‌توان با استفاده از یک مقاومت قابل تنظیم، اندازه‌گیری‌های ضعیف روی سیستم و مکانیزم پیش‌خور کلاسیک ساخت. اجرای یک ممریستور کوانتومی در مدارهای ابررسانا پیشنهاد شده است، [112] و آزمایشی با نقاط کوانتومی انجام شد. [113] یک ممریستور کوانتومی برهمکنش‌های غیرخطی را در دینامیک کوانتومی پیاده‌سازی می‌کند که به جستجوی یک شبکه عصبی کوانتومی کاملاً کاربردی کمک می‌کند.

از سال 2016، IBM یک پلت فرم آنلاین مبتنی بر ابر برای توسعه دهندگان نرم افزار کوانتومی به نام IBM Q Experience راه اندازی کرده است . این پلتفرم متشکل از چندین پردازنده کوانتومی کاملاً عملیاتی است که از طریق IBM Web API قابل دسترسی هستند. با انجام این کار، این شرکت توسعه دهندگان نرم افزار را تشویق می کند تا الگوریتم های جدید را از طریق یک محیط توسعه با قابلیت های کوانتومی دنبال کنند. معماری‌های جدید به‌صورت تجربی، تا ۳۲ کیوبیت، با استفاده از روش‌های محاسباتی کوانتومی یون به دام افتاده و ابررسانا در حال بررسی هستند.

در اکتبر 2019، اشاره شد که معرفی مولدهای اعداد تصادفی کوانتومی (QRNG) به مدل‌های یادگیری ماشین از جمله شبکه‌های عصبی و شبکه‌های عصبی کانولوشن برای توزیع وزن اولیه تصادفی و جنگل‌های تصادفی برای فرآیندهای تقسیم تأثیر عمیقی بر توانایی آنها در مقایسه با روش کلاسیک مولد اعداد شبه تصادفی (PRNGs). [114] با این حال، در یک انتشار جدیدتر از سال 2021، این ادعاها را نمی توان برای مقداردهی اولیه وزن شبکه عصبی بازتولید کرد و هیچ مزیت قابل توجهی از استفاده از QRNG ها نسبت به PRNG ها یافت نشد. [115] این کار همچنین نشان داد که تولید اعداد تصادفی منصفانه با یک کامپیوتر کوانتومی گیت یک کار غیر پیش پا افتاده در دستگاه‌های NISQ است و بنابراین استفاده از QRNG در عمل بسیار دشوارتر از PRNG است.

مقاله ای که در دسامبر 2018 منتشر شد، آزمایشی را با استفاده از یک سیستم یون به دام افتاده گزارش داد که سرعت کوانتومی زمان بررسی عوامل یادگیری تقویتی را با استفاده از سخت افزار کوانتومی داخلی نشان می دهد. [57]

در مارس 2021، تیمی از محققان از اتریش، هلند، ایالات متحده و آلمان، نمایش تجربی سرعت کوانتومی زمان یادگیری عوامل یادگیری تقویتی را گزارش کردند که به طور کامل کوانتومی با محیط تعامل دارند. [116] [58] درجات آزادی مربوط به عامل و محیط بر روی یک پردازنده نانوفوتونی یکپارچه فشرده و کاملاً قابل تنظیم تحقق یافت.

شک و تردید [ ویرایش ]

در حالی که خود یادگیری ماشین اکنون نه تنها یک زمینه تحقیقاتی است، بلکه یک صنعت مهم اقتصادی و در حال رشد سریع است و محاسبات کوانتومی یک زمینه کاملاً تثبیت شده برای تحقیقات نظری و تجربی است، یادگیری ماشین کوانتومی یک زمینه مطالعاتی صرفاً نظری باقی مانده است. تلاش برای نشان دادن تجربی مفاهیم یادگیری ماشین کوانتومی کافی نیست. [ نیازمند منبع ]

بسیاری از دانشمندان برجسته که به طور گسترده در زمینه یادگیری ماشین کوانتومی منتشر می کنند، در مورد تبلیغات گسترده در مورد این موضوع هشدار می دهند و اگر در مورد کاربردهای عملی آن در آینده قابل پیش بینی سؤال شود، بسیار خودداری می کنند. سوفیا چن [117] برخی از اظهارات دانشمندان مشهور در این زمینه را جمع آوری کرد:

  • فیزیکدان ماریا شولد از استارتاپ محاسبات کوانتومی کانادایی Xanadu: "من فکر می کنم ما هنوز تکالیف خود را انجام نداده ایم. این یک زمینه علمی بسیار جدید است."
  • هنگامی که یادگیری ماشین را با کوانتوم ترکیب می‌کنید، یک هیپ متراکم را کاتالیز می‌کنید. [118] - Jacob Biamonte یکی از همکاران در نظریه محاسبات کوانتومی.
  • Iordanis Kerenidis، دانشمند کامپیوتر، رئیس الگوریتم‌های کوانتومی در استارت‌آپ محاسبات کوانتومی QC Ware مبتنی بر دره سیلیکون، "کارهای زیادی وجود دارد که باید انجام شود قبل از اینکه ادعا کنیم یادگیری ماشین کوانتومی واقعا کار می‌کند."
  • رایان سوکه، فیزیکدان از دانشگاه آزاد برلین در آلمان، "من حتی یک مدرک ندیدم که یک کار معنی دار [یادگیری ماشینی] وجود داشته باشد که برای آن استفاده از یک کامپیوتر کوانتومی منطقی باشد نه یک کامپیوتر کلاسیک." .
  • "به هیاهو نخورید!" - فرانک زیکرت، [119] که نویسنده احتمالاً کاربردی ترین کتاب مرتبط با این موضوع است، مراقب باشید که "کامپیوترهای کوانتومی به دلیل توانایی بازنمایی خود از پیشرفت یادگیری ماشینی بسیار دور هستند" و حتی در مورد ارزیابی و بهینه سازی برای هر نوع کار مفید برتری کوانتومی هنوز به دست نیامده است. علاوه بر این، هیچ‌کس در میان محققین فعال در این زمینه هیچ پیش‌بینی در مورد زمان عملی شدن آن انجام نمی‌دهد. [ نیازمند منبع ]

همچنین ببینید [ ویرایش ]

منبع

https://en.wikipedia.org/wiki/Quantum_machine_learning