211service.com
Maskinlæring, møt kvantedatabehandling
Tilbake i 1958, i de tidligste dagene av datarevolusjonen, arrangerte US Office of Naval Research en pressekonferanse for å avduke en enhet oppfunnet av en psykolog ved navn Frank Rosenblatt ved Cornell Aeronautical Laboratory. Rosenblatt kalte enheten hans en perceptron, og New York Times rapporterte at det var embryoet til en elektronisk datamaskin som [Sjøforsvaret] forventer vil kunne gå, snakke, se, skrive, reprodusere seg selv og være bevisst dens eksistens.
Disse påstandene viste seg å være noe overdrevne. Men enheten kickstartet et forskningsfelt som fortsatt har et stort potensiale i dag.
En perceptron er et enkeltlags nevralt nettverk. De dyplæringsnettverkene som har skapt så stor interesse de siste årene er direkte etterkommere. Selv om Rosenblatts enhet aldri oppnådde sitt overhypede potensial, er det stort håp om at en av dens etterkommere kan.
I dag er det en annen informasjonsbehandlingsrevolusjon i sin spede begynnelse: kvanteberegning. Og det reiser et interessant spørsmål: er det mulig å implementere en perceptron på en kvantedatamaskin, og i så fall hvor kraftig kan den være?
I dag får vi et slags svar takket være arbeidet til Francesco Tacchino og kolleger ved universitetet i Pavia i Italia. Disse karene har bygget verdens første perceptron implementert på en kvantedatamaskin, og deretter satt den gjennom tempoet på noen enkle bildebehandlingsoppgaver.
I sin enkleste form tar en perceptron en vektorinngang - et sett med tall - og multipliserer den med en vektvektor for å produsere en utgang med ett tall. Hvis dette tallet er over en viss terskel, er utgangen en , og hvis den er under terskelen er utgangen 0 .
Det har noen nyttige applikasjoner. Se for deg en pikselgruppe som produserer et sett med lysintensitetsnivåer – ett for hver piksel – når du tar bilder av et bestemt mønster. Når dette settet med tall mates inn i en perceptron, produserer det en en eller 0 produksjon. Målet er å justere vektvektoren og terskelen slik at utgangen er en når den ser, si en katt, og 0 i alle andre tilfeller.
Tacchino og co har gjentatt Rosenblatts tidlige arbeid med en kvantedatamaskin. Teknologien som gjør dette mulig er IBMs Q-5 Tenerife superledende kvanteprosessor. Dette er en kvantedatamaskin som er i stand til å behandle fem qubits og programmerbar over nettet av alle som kan skrive en kvantealgoritme .
Tacchino og co har laget en algoritme som tar en klassisk vektor (som et bilde) som input, kombinerer den med en kvantevektvektor, og deretter produserer en 0 eller en produksjon.
Den store fordelen med kvanteberegning er at den tillater en eksponentiell økning i antall dimensjoner den kan behandle. Mens en klassisk perceptron kan behandle en input av N dimensjoner, kan en kvanteperseptron behandle 2 N dimensjoner.
Tacchino og co demonstrerer dette på IBMs Q-5-prosessor. På grunn av det lille antallet qubits kan prosessoren håndtere N = 2. Dette tilsvarer et 2x2 svart-hvitt-bilde. Forskerne spør så: inneholder dette bildet horisontale eller vertikale linjer, eller et sjakkbrettmønster?
Det viser seg at kvanteperseptronet lett kan klassifisere mønstrene i disse enkle bildene. Vi viser at denne kvantemodellen av et perceptron kan brukes som en elementær ikke-lineær klassifisering av enkle mønstre, sier Tacchino og co.
De fortsetter med å vise hvordan det kan brukes i mer komplekse mønstre, om enn på en måte som er begrenset av antall qubits kvanteprosessoren kan håndtere.
Det er et interessant arbeid med betydelig potensial. Rosenblatt og andre oppdaget snart at en enkelt perceptron bare kan klassifisere veldig enkle bilder, som rette linjer. Imidlertid fant andre forskere at det å kombinere perseptroner i lag har mye mer potensial. Ulike andre fremskritt og justeringer har ført til maskiner som kan gjenkjenne objekter og ansikter så nøyaktig som mennesker kan, og til og med slå de beste menneskelige spillerne i sjakk og Go.
Tacchino og cos kvanteperseptron er på et tilsvarende tidlig stadium av evolusjonen. Fremtidige mål vil være å kode ekvivalenten til bilder i gråskala og å kombinere kvanteperseptroner til nettverk med mange lag.
Denne gruppens arbeid har det potensialet. Prosedyren vår er fullstendig generell og kan implementeres og kjøres på hvilken som helst plattform som er i stand til å utføre universell kvanteberegning, sier de.
Den begrensende faktoren er selvfølgelig tilgjengeligheten av kraftigere kvanteprosessorer som er i stand til å håndtere større antall qubits. Men de fleste kvanteforskere er enige om at denne typen evner er nærme.
Faktisk, siden Tacchino og co gjorde arbeidet sitt, har IBM allerede gjort en 16-qubit kvanteprosessor tilgjengelig via nettet. Det er bare et spørsmål om tid før kvanteperseptroner blir mye kraftigere.
Ref: arxiv.org/abs/1811.02266 : Et kunstig nevron implementert på en faktisk kvanteprosessor