Muitas pessoas acreditam que os computadores quânticos podem ser um passo crucial na criação de novos algoritmos de aprendizado de máquina e de IA que podem dar um grande impulso ao campo. Houve até estudos de que nosso cérebro pode ser um computador quântico, mas até agora não há consenso entre os pesquisadores.
Dado que sou completamente novo em campo, eu queria saber se houve alguma pesquisa feita na aplicação de computadores quânticos na IA que, teoricamente, pode ter um desempenho melhor em alguma tarefa ou convergir mais rapidamente do que os algoritmos modernos de aprendizado profundo.
machine-learning
artificial-intelligence
Piyush Kathuria
fonte
fonte
Respostas:
Responderei apenas à parte da pergunta sobre como a mecânica quântica pode ser útil para a análise de dados clássicos via aprendizado de máquina. Também existem trabalhos relacionados à "IA quântica", mas esse é um tipo de coisa muito mais especulativa (e menos definida), na qual não quero entrar.
Assim, os computadores quânticos podem ser usados para acelerar a análise de dados por meio de algoritmos de aprendizado de máquina ? Citação de Scott Aaronson Leia o papel fino , é uma pergunta simples com uma resposta complicada .
Antes de tudo, deve-se notar que tentar responder a esse tipo de pergunta é uma grande parte do que trata a área de pesquisa do Aprendizado de Máquina Quântica (mais recentemente, os termos aprendizado de máquina com aprimoramento quântico ou aprendizado de máquina com assistência quântica parecem ser os preferidos. para se referir a essa fusão de QM e ML, para distingui-lo do uso de ML para ajudar a resolver problemas em QM). Como você pode ver na página da Wikipedia, há muitas coisas acontecendo em campo, e seria inútil tentar fornecer uma lista abrangente de artigos relevantes aqui, pois seria desatualizado rapidamente.
Citando Schuld et al. 2014 , a idéia por trás do Quantum-Assisted Machine Learning (QAML) é a seguinte:
Voltando à sua pergunta, uma primeira resposta aparentemente positiva foi fornecida por Harrow et al. 2009 , que deu um algoritmo quântico eficiente para inverter o sistema linear de equações (sob várias condições sobre o sistema), funcionando quando os dados são armazenados em estados quânticos. Por ser uma operação de álgebra linear fundamental, a descoberta levou a muitos algoritmos quânticos propostos para resolver problemas de aprendizado de máquina por alguns dos mesmos autores ( 1307.0401 , 1307.0411 , 1307.0471 ) e por muitos outros. Atualmente, existem muitas revisões para obter listas de referências mais abrangentes, como 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , livro de Peter Wittek e provavelmente mais.
No entanto, está longe de ser estabelecido como isso funcionaria na prática. Algumas das razões estão bem explicadas no artigo de Aaronson: Leia as letras pequenas (consulte também a versão publicada: nphys3272 ). Em termos gerais, o problema é que os algoritmos quânticos geralmente lidam com "dados" armazenados em estados quânticos, geralmente codificando vetores nas amplitudes do estado. Esse é, por exemplo, o caso da QFT , e ainda é o caso do HHL09 e de trabalhos derivados.
O grande problema (ou um dos grandes) com isso é que está longe de ser óbvio como você pode carregar eficientemente os "grandes" dados clássicos nesse estado quântico para processamento. A resposta típica para isso é "só precisamos usar uma qRAM ", mas isso também vem com muitas ressalvas, pois esse processo precisa ser muito rápido para manter a aceleração exponencial que agora podemos ser alcançados quando os dados estiverem disponíveis. forma quântica. Refiro-me novamente ao artigo de Aaronson para obter mais detalhes sobre as advertências.
fonte
Existem argumentos contra os quais nossos cérebros são mecânicos quânticos e argumentos contra, então esse é um tópico muito debatido. Fisher na UCSB tem um pensamento especulativo sobre como o cérebro ainda pode usar efeitos quânticos, mesmo que eles não sejam de natureza mecânica quântica. Embora não exista evidência experimental direta, há duas referências que você pode querer ler:
Cognição quântica: a possibilidade de processamento com rotações nucleares no cérebro
Somos computadores quânticos ou apenas robôs inteligentes?
Agora, sobre o uso da computação quântica e do aprendizado de máquina, a Rigetti Computing demonstrou um algoritmo de agrupamento usando seus protótipos de chips quânticos (19 qubits). Eles publicaram suas descobertas em um white paper no arXiv.org aqui:
Portanto, há claramente uma oportunidade de avançar no aprendizado de máquina e, eventualmente, na IA usando a computação quântica imho.
fonte
Grande parte do trabalho realizado até agora com computadores quânticos tem sido focado na solução de problemas de otimização combinatória. Tanto os Quantum Annealers no estilo D-Wave quanto as máquinas Gate Model mais recentes da Rigetti, IBM e Google resolveram problemas de otimização combinatória. Uma abordagem promissora para conectar o aprendizado de máquina e a computação quântica envolve encontrar problemas de otimização nas tarefas padrão de aprendizado de máquina.
Por exemplo, o recente artigo de Rigetti, aprendizado de máquina não supervisionado em um computador quântico híbrido, essencialmente reformula o problema de aprendizado de máquina não supervisionado de agrupar dados em dois grupos, também conhecido como agrupamento de duas vias, no problema de otimização combinatória do MaxCut. O pessoal da Rigetti resolve o problema do MaxCut com o algoritmo de otimização aproximada quântica (QAOA).
Eu esperaria ver mais desse estilo de trabalho no futuro, especialmente considerando as conexões naturais entre otimização e aprendizado de máquina.
fonte