211service.com
Kvantedatabehandling bør overlade denne maskinlæringsteknikken
IBM
Kvantedatabehandling og kunstig intelligens er begge hypet latterlig. Men det ser ut til at en kombinasjon av de to faktisk kan kombineres for å åpne nye muligheter.
I en forskningsoppgave publisert i dag i tidsskriftet Nature, viser forskere fra IBM og MIT hvordan en IBM kvantedatamaskin kan akselerere en spesifikk type maskinlæringsoppgave kalt funksjonsmatching. Teamet sier at fremtidige kvantedatamaskiner bør tillate maskinlæring å treffe nye nivåer av kompleksitet.
Som først forestilt seg for flere tiår siden, ble kvantedatamaskiner sett på som en annen måte å beregne informasjon på. I prinsippet, ved å utnytte fysikkens merkelige, sannsynlige natur på kvante- eller atomskala, bør disse maskinene kunne utføre visse typer beregninger med hastigheter langt utover det som er mulig med en hvilken som helst konvensjonell datamaskin (se Hva er en kvantedatamaskin? ). Det er en enorm spenning rundt potensialet deres for øyeblikket, ettersom de endelig er på vei til å nå et punkt hvor de vil være praktiske.
På samme tid, fordi vi ennå ikke har store kvantedatamaskiner, er det ikke helt klart hvordan de vil utkonkurrere vanlige superdatamaskiner – eller med andre ord, hva de faktisk vil gjøre (se Kvantedatamaskiner er endelig her. Hva vil gjør vi med dem?).
Funksjonsmatching er en teknikk som konverterer data til en matematisk representasjon som egner seg til maskinlæringsanalyse. Den resulterende maskinlæringen avhenger av effektiviteten og kvaliteten til denne prosessen. Ved hjelp av en kvantedatamaskin skulle det være mulig å utføre dette i en skala som hittil var umulig.
MIT-IBM-forskerne utførte sin enkle beregning ved å bruke en to-qubit kvantedatamaskin. Fordi maskinen er så liten, beviser den ikke at større kvantedatamaskiner vil ha en grunnleggende fordel fremfor konvensjonelle, men det antyder at det ville være tilfelle. De største kvantedatamaskinene som er tilgjengelige i dag har rundt 50 qubits, men ikke alle. kan brukes til beregning på grunn av behovet for å korrigere for feil som kommer snikende som følge av den skjøre naturen til disse kvantebitene.
Vi er fortsatt langt unna å oppnå kvantefordeler for maskinlæring, ledet IBM-forskerne av Jay Gambetta , skriver i et blogginnlegg. Likevel kan funksjonskartleggingsmetodene vi fremmer snart være i stand til å klassifisere langt mer komplekse datasett enn noe en klassisk datamaskin kan håndtere. Det vi har vist er en lovende vei fremover.
Vi er på et stadium hvor vi ikke har søknader neste måned eller neste år, men vi er i en veldig god posisjon til å utforske mulighetene, sier Xiaodi Wu , en assisterende professor ved University of Marylands Joint Center for Quantum Information and Computer Science. Wu sier at han forventer at praktiske anvendelser vil bli oppdaget innen et år eller to.
Quantum computing og AI er hot akkurat nå. For bare noen uker siden kom Xanadu, en oppstart av kvantedatabehandling basert i Toronto, opp med en nesten identisk tilnærming til MIT-IBM-forskerne, som selskapet la ut på nettet. Maria Schuld, en maskinlæringsforsker ved Xanadu, sier at det nylige arbeidet kan være starten på en mengde forskningsartikler som kombinerer buzzwords quantum og AI.
Det er et enormt potensial, sier hun.