Задание одно для квантовых компьютеров: повысить искусственный интеллект

В начале 90-х, Элизабет Берман, профессор физики в уичитский Государственный Университет, начал работать, чтобы объединить квантовую физику с искусственным интеллектом,—в частности, затем-маверик технологии нейронных сетей. Большинство людей думали, что она смешивала масла и воды. “У меня был чертовски время, получая опубликовала”, – вспоминает она. “Нейронную сеть журналов хочу сказать, что это квантовая механика? и в физических журналах бы сказал, что эта нейронная сеть мусор?’”

Журнал Квантов


author photo

О

Оригинальная история перепечатана с разрешения из квантов журнал, подготовленная независимым авторским коллективом издание Саймонса , чья миссия заключается в повышении общественного понимания науки, покрывая исследовательских разработках и тенденциях в области математики и физических и биологических наук.

Сегодня мэшап из двух, кажется, самая естественная вещь в мире. Нейронных сетей и другого машинного обучения системы стали наиболее передовые технологии 21 века. Они-люди человеки, нас били не только на задачи, большинство из нас никогда не любила, таких, как шахматы и анализа данных, а также в видах вещи наш мозг развился для того, такие как распознавание лиц, перевод языков и переговоров четыре-пути останавливается. Эти системы стали возможными благодаря огромной вычислительной мощности, так что это было неизбежно, что технологические компании будут искать компьютеры, которые не только больше, но новый класс машины в целом.

Квантовые компьютеры, после десятилетий исследований, имеют достаточно жизненных сил для выполнения вычислений за любой другой компьютер на Земле. Их приложение убийцы обычно говорят, разложение больших чисел, которые имеют ключевое значение для современного шифрования. Что еще десять лет, как минимум. Но даже сегодня элементарные квантовые процессоры не очень соответствовать потребностям машинного обучения. Они манипулируют огромные массивы данных в один шаг, подобрать тонкие узоры, что классические компьютеры не видят, и не подавиться неполные или неточные данные. “Существует естественное сочетание между внутренней статистический характер квантовых вычислений … и машинного обучения”, – сказал Йоханнес Оттербах, физик Rigetti вычислений, квантово-компьютерной компании в Беркли, Калифорния.

Если что маятник теперь качнулся в другую крайность. Гугл, Майкрософт, IBM и другие технологические гиганты вкладывают деньги в квантовой машинного обучения, и стартап-инкубатор в университете Торонто посвящена этому вопросу. “Машина обучения становится модным”, – сказал Джейкоб, Биамонти, квантовый физик Сколковского Института науки и технологий в Москве. “Когда вы смешиваете с ‘квантовой, он становится мега-модное слово.”

Но ничего со словом “квантовый” в это никогда не совсем то, чем кажется. Вам может показаться, что квантовая машина-обучающая система должна быть мощной, она страдает от своего рода запертый-в синдром. Он работает на квантовых состояний, а не на данных человеческого восприятия и перевода между двумя может отрицать его очевидные преимущества. Это как iPhone х, что при всех своих впечатляющих характеристиках, заканчивает тем, что только так медленно, как Старый телефон, потому что ваша сеть так же ужасно, как никогда. Нескольких особых случаев, физики могут преодолеть этот вход-выход “узкое место”, но были ли эти случаи возникают в практических задачах машинного обучения, пока неизвестно. “У нас пока нет четких ответов пока нет”, – сказал Скотт Ааронсон, ученый-компьютерщик из Университета Техаса, Остин, который всегда голос трезвости, когда дело доходит до квантовых вычислений. “Люди часто очень беспечны о том, будут ли эти алгоритмы дают ускорение”.

Квантовые Нейроны

Основной задачей нейронной сети, будь то классическое или квантовое, чтобы распознавать шаблоны. Вдохновленный человеческого мозга, он представляет собой сетку основных вычислительных блоков—“нейронов”. Каждый может быть также просто, как вкл-выкл устройства. Нейрон контролирует выход из нескольких других нейронов, как если бы собирались голосовать, и включается, если достаточно из них. Как правило, нейроны расположены слоями. Первый слой принимает входные данные (такие как изображения пикселей), промежуточных слоев создавать различные комбинации входных данных (представляющих структуры, такие как кромки и геометрические фигуры) и завершающий слой производит выход (высокоуровневое описание содержания изображения).

Люси Чтение-Ikkanda Журнал/Квантов

Важно отметить, что проводка не фиксируется заранее, но адаптируется в процессе проб и ошибок. Сеть может быть кормили изображений с надписью “котенок” или “щенок”. Для каждого изображения, он присваивает метку, проверяет, правильно ли это, и развивает нейронные связи, если не. Его догадки случайных, на первый, но становится лучше; после, возможно, 10,000 примеры, он знает своих животных. Серьезный нейронные сети могут иметь миллиард взаимосвязей, которые должны быть настроены.

На классическом компьютере, все эти взаимосвязи представлены в виде матрицы огромных чисел, и работает сети значит делать матричной алгебры. Условно, эти операции матрицы на аутсорсинг в специализированные микросхемы, такие как единица обработки графики. Но ничего не делает матриц, как квантовый компьютер. “Манипуляция большими матрицами и большими векторами в геометрической прогрессии быстрее на квантовом компьютере”, – сказал Сет Ллойд, физик из Массачусетского технологического института и квантово-вычислительной Пионер.

Для выполнения этой задачи, квантовые компьютеры способны воспользоваться экспоненциальный характер квантовой системы. Подавляющее большая часть информационная емкость квантовой системы заключается не в ее отдельных подразделениях—данные кубитов, квантовый аналог классических битов—но компьютер в коллективные свойства этих кубитов. Двух кубитов имеют четырех государств: оба, обе выкл, вкл/выкл, а выкл/вкл. Каждый обладает определенным весом, или “амплитуда”, которое может представлять нейрон. При добавлении третьего кубита, можно представить восемь нейронов; в-четвертых, 16. Мощность оборудования растет в геометрической прогрессии. По сути, нейроны размазываются по всей системе. Когда вы действуете в состоянии четырех кубитов, вы обрабатываете 16 цифр на инсульт, в то время как классический компьютер придется идти через эти цифры по одному.

По оценкам Ллойда, 60 кубитов будет достаточно для кодирования количество данных, эквивалентное произведенной человечеством в год, и 300 может нести классической информации наблюдаемой Вселенной. (Самый большой квантовые компьютеры на данный момент, построен компанией IBM, Intel и Google, имеют 50-иш кубитов.) И это при условии, что каждая амплитуда является только один классический бит. На самом деле, амплитуд непрерывных величин (и, действительно, комплексных чисел) и, на вразумительный экспериментальной точности, можно хранить до 15 бит, – сказал Ааронсон.

Но способности квантового компьютера для хранения информации компактно, не делает это быстрее. Вы должны быть в состоянии использовать эти кубиты. В 2008 году Ллойд, физик из Массачусетского технологического института Арам Харроу и Avinatan Хасиды, ученый в бар-Иланском университете в Израиле, показало , как сделать решающий алгебраические операции инвертирования матрицы. Они разбили его вниз в последовательности логических операций, которые могут выполняться на квантовом компьютере. Их алгоритм работает в различных методах машинного обучения. И это не требует почти столько алгоритмические шаги, как, скажем, факторинг большое количество ли. Компьютер может пронестись через задачу классификации до шума—большой ограничивающим фактором при помощи современных технологий—есть шанс напортачу. “Вы, возможно, квантовая преимущество перед полностью универсальный, отказоустойчивых квантовых компьютеров”, – сказал Кристан Темме из компании IBM Томас Уотсон-исследовательский центр.

Пусть природа решит проблему

До сих пор, хотя, машинного обучения на основе квантовой матричной алгебры была продемонстрирована только на машинах с четырех кубитов. Большинство экспериментальных успехи квантовой машинного обучения на сегодняшний день приняли иной подход, в котором квантовые системы не только моделировать сеть, это сеть. Каждый кубит стоит на один нейрон. Хотя не хватает сил возведение в степень, как это устройство может использовать другие особенности квантовой физики.

Крупнейшим из таких устройств, с около 2000 кубитов, квантовый процессор производства компании D-волновых систем, основанный неподалеку от Ванкувера, Британская Колумбия. Это не то, что большинство людей думают, как компьютер. Вместо того, начиная с некоторых исходных данных, выполнения ряда операций и вывода результата, это работает путем нахождения внутренней согласованности. Каждый из кубитов на сверхпроводниковых электрических цикл, который действует как крошечный электромагнит ориентирован вверх, вниз, или вверх и вниз — суперпозиции. Кубиты “проводной”, вместе позволяя им магнетически взаимодействуют друг с другом.

Чтобы запустить систему, необходимо сначала ввести горизонтальное магнитное поле, которое инициализирует кубитов в равной суперпозиции вверх и вниз—эквивалент чистого листа. Есть несколько способов ввода данных. В некоторых случаях вы закрепите слой кубитов до нужного значения входного сигнала; более часто Вы включаете в свой вклад в силу взаимодействия. Тогда позволь кубиты взаимодействовать. Некоторые стремятся выровняться в одном направлении, некоторые в противоположном направлении, а под действием горизонтальных поля, они флип для их предпочтительной ориентации. Таким образом, они могут вызвать другие кубиты, чтобы перевернуть. Изначально это происходит много, потому что многие из них не согласованы между собой. С течением времени, однако, они успокоились, и вы можете отключить горизонтальное поле, чтобы зафиксировать их на месте. В этот момент кубиты в шаблон вверх и вниз, что обеспечивает вывод следует из входного сигнала.

Это вовсе не очевидно, что окончательной договоренности кубитов будет, и это точка. Системы, просто делая то, что приходит естественно, решать проблему, что обычный компьютер будет бороться с. “Нам не нужен алгоритм”, – пояснил Хидетоши Нисимори, физик из Токийского технологического института, которые разработали принципы, на которых D-волны машины работают. “Это полностью отличается от обычного программирования. Природа решает проблему”.

Кубит-листать управляется квантового туннелирования, естественно, что квантовые системы приходится выискивать их оптимальную конфигурацию, а не довольствоваться вторым лучшим. Можно создать классическую сеть, которая работала на аналогичных принципах, используя случайные покачивания, а не туннелирование, чтобы получить биты переворачивать, и в некоторых случаях это будет на самом деле работать лучше. Но, интересно, что за типы проблем, которые возникают в области машинного обучения, квантовая сеть, кажется, чтобы достичь оптимального быстрее.

D-Волновом машины есть свои недоброжелатели. Здесь очень шумно, и, в своем нынешнем воплощении, может выполнять только ограниченный набор операций. Алгоритмов машинного обучения, тем не менее, шум-толерантен по своей природе. Они полезны именно потому, что они могут найти смысл в грязной реальности, сортировка котята с щенками на фоне красной селедки. “Нейронные сети лихо устойчивой к шуму”, – сказал Берман.

В 2009 году команда ученых во главе с Хартмут Невен, ученый Google, который впервые дополненной реальности—он стал одним из основателей Гугл Гласс проект—а потом взял квантовой обработки информации, показали, как в начале д-волна машина может сделать солидные машины-учебная задача. Они использовали его в качестве, по сути, однослойную нейронную сеть, отсортированные изображения на два класса: “автомобиль” или “автомобиль” в библиотеке в размере 20 000 уличных сцен. У машины было только 52 рабочих кубитов, слишком мало, чтобы взять в цельный образ. (Помните: D-Волновом машина совершенно иного типа, чем в государственной-оф-арт 50-кубит системы онлайн-в 2018 году.) Так команды Невен объединили машина с классическим компьютером, в котором были проанализированы различные статистические величины изображения и подсчитали, насколько чувствительны эти величины были в наличии авто—обычно не очень, но по крайней мере лучше, чем подбрасывание монеты. Некоторые комбинации этих количеств, в совокупности, достоверно определить автомобиль, но это не очевидно, какое. Это была работа сети, чтобы узнать.

Группа, назначенная кубита в каждом количестве. Если что кубит поселились в значение 1, он попадает в соответствующее количество полезной; 0 означает, не беспокойтесь. Магнитные взаимодействия кубитов’ закодированных требования задачи, например, включающий только самые взыскательные количествах, для того чтобы держать окончательный выбор как можно компактнее. В результате удалось обнаружить автомобиль.

В прошлом году группа под руководством Марии Spiropulu, частица, физик в Калифорнийском технологическом институте, и Даниэль Лидар, физик в Калифорнийском университете, применяется алгоритм для практической физики задачи: классификация протонных столкновениях, как “бозон Хиггса” или “без бозона Хиггса.” Ограничивая свое внимание на коллизии, выплюнул фотоны, они использовали основные теории элементарных частиц предсказать, какие свойства фотона могут предать мимолетное существование бозона, например, импульс превышает некоторый порог. Они рассмотрели восемь таких свойств и 28 их комбинации, для в общей сложности 36 сигналы кандидат, и пусть поздно-модель D-волна в университете Южной Калифорнии найти оптимальный выбор. Он определил 16 переменных в качестве полезного и три как абсолютное лучшее. Квантовая машина нужна меньше данных, чем стандартные процедуры для проведения точной идентификации. “При условии, что обучающий набор был небольшой, то квантовый подход не дает точности преимущество перед традиционными методами, применяемыми в высокоэнергетической физики,” Лидар сказал.

Мария Spiropulu, физик в Калифорнийском технологическом институте, используется квантовое машинное обучение, чтобы найти бозоны Хиггса.

Мария Spiropulu

В декабре, Rigetti продемонстрировали возможность автоматически группировать объекты, используя универсальный квантовый компьютер с 19 кубитов. Исследователи сделали эквивалентом подачи машины список городов и расстояний между ними, и просили его, чтобы отсортировать городов в двух географических регионов. Что делает эту проблему трудно это обозначение одного города зависит от назначения всех остальных, так что вы должны решить всю систему сразу.

Команда Rigetti эффективно распределить каждом городе кубита, указывая, к какой группе он был назначен. Через взаимодействие кубитов (что, в системе Rigetti, являются электрическими, а не магнитными), каждая пара кубитов стремились взять на противоположных значения—их энергии был сведен к минимуму, когда они сделали так. Очевидно, что для любой системы с более чем двумя кубитами, некоторые пары кубитов было согласие быть отнесено к одной группе. Близлежащих городов более охотно поддакивал поскольку энергетические затраты для них, чтобы быть в той же группе был ниже, чем для более далеких городов.

Чтобы управлять системой, чтобы ее низкой энергии, команда Rigetti принял подход, аналогичный в некотором смысле на D-волны отжига. Они инициализируются кубиты в суперпозиции всех возможных кластерных задания. Они позволили кубиты взаимодействовать кратко, что пристрастный к при том же или противоположные значения. Затем они применили аналог горизонтального магнитного поля, что позволило кубитов, чтобы перевернуть, если они были настолько склонны, толкая системе маленький путь к ее низкой-энергии. Они повторили этот двухэтапный процесс—взаимодействие тогда флип—до системы, свести к минимуму ее энергии, таким образом, сортировка по городам в двух разных регионах.

Эти задачи классификации полезны, но простой. Реальной границе машинного обучения в генеративных моделях, которые не просто признают, щенки и котята, но могут генерировать роман архетипы—животные, которые никогда не существовали, но столь же милый, как и те, что сделал. Они могут даже выяснить, в категории “котенка” и “щенка” по собственному желанию, или реконструировать изображения отсутствует хвост или лапу. “Эти техники очень мощные и очень полезные в машинном обучении, но они очень жесткие”, – сказал Мохаммад Амин, главный ученый компании D-волны. Квантовый помощь будет весьма кстати.

D-волны и другие научные коллективы приняли этот вызов. Обучение такой модели заключается в настройке магнитного или электрического взаимодействия между кубитами, так что сеть может воспроизводить некоторые образцы данных. Чтобы сделать это, вы объединить сеть с обычного компьютера. Сеть делает тяжелую работу—выяснить, что данный выбор взаимодействий означает для окончательной конфигурации сети и ее партнер компьютер использует эту информацию для корректировки взаимодействия. В одной демонстрации в прошлом году, Алехандро Пердомо-Ортис, исследователь НАСА квантовой лаборатории искусственного интеллекта, и его команда разоблачили д-волновые системы для изображений рукописных цифр. Он понял, что там было 10 категорий, совпадающих цифр от 0 до 9, и создала свой собственный нацарапал цифры.

Узкие места в туннели

Ну, это хорошая новость. Плохо то, что это не имеет значения, насколько удивительный ваш процессор, если Вы не можете получить ваши данные в нее. В матричной алгебры алгоритмов, одной операцией может управлять матрицей из 16 цифр, но он по-прежнему занимает 16 операций по загрузке матрицы. “Государственная подготовка—ввод классических данных в квантовом состоянии—полностью избегали, и я думаю, что это одна из самых важных частей”, – сказала Мария должна, исследователь квантово-вычислительной запуске xanadu и одним из первых людей, чтобы получить докторскую степень в квантовой машинного обучения. Машина-систем обучения, которые заложены в физической форме лицо параллельных трудности как внедрить проблема в сети и получить кубиты кубиты взаимодействовать так, как им надо.

Как только вам удастся ввести свои данные, вы должны хранить ее таким образом, что квантовая система может взаимодействовать с ней, не сворачивая текущих расчетов. Ллойд и его коллеги предложили квантовой памяти, который использует фотоны, но никто не аналогичная штуковина для сверхпроводящих кубитов или захваченных ионов, технологии, нашли в ведущих квантовых компьютеров. “Это дополнительная огромная технологическая проблема за проблемой создания самого квантового компьютера”, – сказал Ааронсон. “Впечатление, которое я получаю от экспериментаторов я говорю к тому, что они испугаются. Они понятия не имеют, как начать строить это”.

И наконец, как вы получите ваши данные? Это означает, что измерение квантового состояния машины, а не только измерения возвращать только одно число за раз, нарисованные вкривь и вкось, оно рушится целое государство, уничтожив остальные данные, прежде чем вы даже есть шанс его извлечь. Вам придется запускать алгоритм снова и снова, чтобы извлечь всю информацию.

Еще не все потеряно. Для некоторых типов проблем, вы можете использовать квантовую интерференцию. То есть, вы можете поставить на операции, так что ошибочных ответов отменить себя и правильные укрепления себя; таким образом, когда вы идете, чтобы измерить квантовое состояние, она вам не даст просто любое случайное значение, но желаемого ответа. Но лишь немногие алгоритмы, такие как перебором, можете сделать хорошее использование помех, и ускорение, как правило, скромные.

В некоторых случаях, исследователи обнаружили ярлыки для получения данных в и из. В 2015 году Ллойд, Сильвано Garnerone из Университета Ватерлоо в Канаде, и Паоло Дзанарди в университете Южной Калифорнии показали, что для некоторых видов статистического анализа, вам не нужно вводить или хранить весь набор данных. Кроме того, вам не нужно считывать все данные, когда несколько ключевых значений будет достаточно. Например, технологические компании использовать машинное обучение, чтобы рекомендовать шоу, чтобы посмотреть или купить на основе большой матрицы потребительских привычек. “Если ты Netflix или Amazon или любой другой, вы на самом деле не нужны матрицы записаны в любом месте”, – сказал Ааронсон. “То, что вам действительно нужно, это просто для создания рекомендаций для пользователя”.

Все это порождает вопрос: если квантовая машина является мощной только в особых случаях, возможно, классический автомат также быть сильным в тех случаях? Это основной нерешенный вопрос в области. Обычные компьютеры, в конце концов, чрезвычайно способный. Обычный метод подходит для обработки больших наборов—случайные выборки данных—это на самом деле очень близки по духу квантового компьютера, который, что бы ни пойти в дом, в конце концов, возвращает случайный результат. Должна как-то заметил: “я сделал много алгоритмов, где я чувствовал, – это удивительно. У нас это ускорение, а потом я на самом деле, просто ради интереса, напишите метод отбора проб для классического компьютера, и я понимаю, что вы можете сделать то же самое с отбором проб.”

Если оглянуться на успехи, что квантовое машинное обучение до сих пор, они все приходят со звездочками. Возьмите D-волны машина. При классификации изображений автомобиля и бозоны Хиггса, он был не быстрее, чем классическая машина. “Одна из вещей, нам не о чем говорить в этой статье-это квантовое ускорение”, – сказал Алекс, Мотта, программист в компании Google DeepMind, который был членом Хиггса исследовательской группы. Матрицы-алгебра подходы, такие как борона-Хасиды-Ллойд алгоритма показывают ускорение, только если матрицы являются разреженными — в основном заполнена нулями. “Никто никогда не спрашивает, полные данные на самом деле задает интересные в машинном обучении?” Должна отметить.

Квантовый Интеллект

С другой стороны, даже случайные постепенное улучшение по сравнению с существующими методами сделает высокотехнологичных компаний счастливым. “Эти преимущества, что вы в конечном итоге увидеть, они скромные, они не показательная, но они квадратные,” сказал Натан Вибе, квантово-вычислительной исследователь в Microsoft исследования. “Учитывая достаточно большой и достаточно быстрый квантовый компьютер, мы может произвести революцию во многих областях машинного обучения.” И в процессе использования системы, компьютерные ученые могут решить теоретическую задачку того, являются ли они по своей сути быстрее, и за что.

Должна также видит возможности для инноваций на стороне программного обеспечения. Машинное обучение-это больше, чем куча расчетов. Это комплекс проблем, которые имеют свою собственную структуру. “Алгоритмы, которые люди конструируют удаляются из вещей, которые делают машинного обучения интересным и красивым”, – сказала она. “Вот почему я начал работать наоборот и думаю: если бы этот квантовый компьютер уже этих мелких—какая машина-модель обучения может реально это вообще осуществить? Может быть, это модель, которая еще не была изобретена”. Если физики действительно хотите произвести впечатление машинного обучения экспертов, им придется сделать больше, чем просто сделать квантовый версии существующих моделей.

  • Более Quanta

  • Филип Болл

    Эра квантовых вычислений здесь. Прогноз: Облачно

  • Дженнифер Улет

    Как квантовые Компьютеры и машинного обучения революцию больших данных

  • Wolchover Натали

    Что происходит, когда вы Смешиваете термодинамики и квантовый мир? Революция

Как и многие нейробиологи теперь думаю, что структура человеческого мышления отражает потребности обладания телом, так тоже машина системы обучения, воплощенные. Образы, язык и большинство других данных, которые текут через них приходят от физического мира и отражают его качества. Квантовое машинное обучение-это точно воплощены—но в более богатый мир, чем наш. Единственная область, в которой он, несомненно, блеск в обработке данных, что это уже квантовая. Когда данные не просто картинка, а произведение физика или химия эксперимент, квантовые машины будут в своей стихии. Проблема ввода уходит, и классические компьютеры остаются в пыли.

В аккуратно самореферентных петли, первый квантовый машинного обучения системы могут помочь в разработке своих преемников. “Один способ мы могли бы на самом деле хотите использовать эти системы для создания самих квантовых компьютеров”, – сказал Вибе. “Для некоторых задач отладки, это единственный подход, который у нас есть.” Может быть, они даже могли отладить нас. Оставляя в стороне вопрос, является ли человеческий мозг-это квантовый компьютер—в высшей степени спорный вопрос—это порой действует так, как если бы он был один. Поведение человека, как известно, контекстная, наши предпочтения формируются на выбор нам дается, таким образом, что не поддаются логике. В этом мы, как квантовые частицы. “То, как вы задаете вопросы и вопросы заказ, а то что-то, что очень характерно в квантовой наборов данных,” Пердомо-сказал Ортис. Так что квантовая машина-система обучения может быть естественным образом, изучение когнитивных предубеждений человека.

Нейронные сети и квантовые процессоры имеют одну вещь в общем: это удивительно, они работают на всех. Это никогда не было очевидно, что можно обучить сеть, и в течение многих десятилетий, большинство людей в этом сомневался когда-либо будет возможно. Кроме того, не очевидно, что квантовая физика вообще могут быть использованы для расчета, так как отличительные эффекты квантовой физики настолько хорошо скрыта от нас. И пока оба работают—не всегда, но чаще, чем мы имели любое право ожидать. На этот прецедент, вполне вероятно, что их союз также найдет свое место.

Оригинальная история перепечатана с разрешения из квантов журнал, подготовленная независимым авторским коллективом издание Саймонса , чья миссия заключается в повышении общественного понимания науки, покрывая исследовательских разработках и тенденциях в области математики и физических и биологических наук.