קלאסי למידת מכונה (ML) אלגוריתמים הוכחו ככלים רבי עוצמה למגוון רחב של משימות, כולל זיהוי תמונה ודיבור, עיבוד שפה טבעית (NLP), ומודל חזוי. עם זאת, אלגוריתמים קלאסיים מוגבלים על ידי אילוצי המחשוב הקלאסי ויכולים להיאבק בעיבוד גדול מערכי נתונים מורכבים או להשיג רמות גבוהות של דיוק ודיוק.

היכנסו ללמידה של מכונות קוונטיות (QML).

QML משלבת את הכוח של מחשוב קוונטי עם יכולות הניבוי של ML להתגבר על המגבלות של אלגוריתמים קלאסיים ולהציע שיפורי ביצועים. בעיתון שלהם "על תפקידה של הסתבכות בהאצה קוונטית-חישובית," ריצ'רד ג'וזה וניל לינדן, מאוניברסיטת בריסטול בבריטניה, כותבים כי "אלגוריתמי QML מחזיקים בהבטחה לספק זירוז אקספוננציאלי על פני מקביליהם הקלאסיים עבור משימות מסוימות, כגון סיווג נתונים, בחירת תכונות וניתוח אשכולות . בפרט, לשימוש באלגוריתמים קוונטיים ללמידה מפוקחת ובלתי מפוקחת יש פוטנציאל לחולל מהפכה של למידת מכונה. בינה מלאכותית".

QML לעומת למידת מכונה קלאסית

זוהרה לאדה, מנהל בכיר של מדעי הנתונים וה-AI ב-Credence, אומר ש-QML שונה מלמידת מכונה מסורתית בכמה דרכים מרכזיות:

מקרה

פסגת אבטחה חכמה לפי דרישה

למד את התפקיד הקריטי של AI ו-ML באבטחת סייבר ובמקרים ספציפיים לתעשייה. צפו בהפעלות לפי דרישה היום.

צפו כאן

 

 

  1. מקביליות קוונטית: אלגוריתמים קוונטיים יכולים לנצל את התכונה הייחודית של מערכות קוונטיות הידועות כמקבילות קוונטית, המאפשרת להם לבצע מספר חישובים בו זמנית. בעת עיבוד כמויות גדולות של נתונים, כגון תמונות או דיבור, יכול להפחית משמעותית את הזמן הדרוש לפתרון בעיה.
  2. סופרפוזיציה קוונטית: סופרפוזיציה קוונטית מאפשרת לאלגוריתם קוונטי לייצג מספר מצבים בו זמנית. זה יכול לאפשר לו לבחון פתרונות אפשריים לבעיה, ולהוביל לפתרונות מדויקים ויעילים יותר.
  3. הסתבכות קוונטית: אלגוריתמים קוונטיים יכולים להשתמש גם בתכונה של הסתבכות קוונטית, המאפשרת לתאם מערכות קוונטיות בדרכים שהפיזיקה הקלאסית אינה יכולה להסביר. זה יכול לאפשר לאלגוריתמים קוונטיים לבצע משימות מסוימות ביעילות רבה יותר מאלגוריתמים קלאסיים.

 

אלגוריתמים מסורתיים של למידת מכונה, המסתמכים על טכניקות מחשוב קלאסיות וחסרות יכולות קוונטיות אלו, עשויים להיות איטיים יותר או פחות מדויקים במקרים מסוימים.

מסע ה-QML: ממחקר לעולם האמיתי

המחקר על למידת מכונות קוונטית החל בשנות ה-1980. בסוף שנות ה-1990 ותחילת שנות ה-2000, חוקרים פיתחו קוונטים רשתות עצביות להדגים את הפוטנציאל של מערכות קוונטיות ללמידת מכונה שניתן לאמן לזהות דפוסים בנתונים. רשתות אלה יושמו מאז על מגוון רחב של בעיות בעולם האמיתי.

עשור לאחר מכן, חוקרים פיתחו אלגוריתמים קוונטיים וכלי תוכנה למשימות למידת מכונה. אלה כללו גרסאות קוונטיות של אלגוריתמים פופולריים של למידת מכונה כגון תמיכה במכונות וקטוריות, עצי החלטה ורשתות עצביות.

הפיתוח של מחשבים קוונטיים היה גם גורם מפתח בצמיחת QML. בשנות ה-2010 וה-2020, כמה חברות וקבוצות מחקר פיתחו מחשבים קוונטיים שיכולים לבצע משימות למידת מכונה. אלה כללו גם מחשבים קוונטיים מבוססי שער וגם קוונטי חישולים. בשנות ה-2020, QML החל להיות מאומץ באופן נרחב ביישומים כולל זיהוי תבניות, עיבוד שפה טבעית ואופטימיזציה.

כיום, אחד היישומים המבטיחים ביותר של QML הוא גילוי תרופות. תהליכי גילוי תרופות מסורתיים יכולים להיות איטיים, יקרים ובלתי עקביים. ל-QML יש פוטנציאל להאיץ את התהליך. "אחרי ההצלחה הראשונית שלנו למצוא א קוביד-19 מולקולה טיפולית, רצינו להרחיב את החלל ליצירת מולקולות קטנות יותר", אמר ניקיל מלחוטרה, ראש עולמי של Makers Lab ב-Tech Mahindra. "יצירת GAN קוונטי או היברידי של GAN הוא משהו שאנו מנסים עבור מולקולות קטנות. זה, אני מאמין, יקדם את גילוי התרופות ואפילו יצירת תרופות חדשות באופן משמעותי".

השווקים הפיננסיים הם תחום נוסף שבו QML הראתה הבטחה. א נייר 2021 מהמעבדה העתידית של JPMorgan למחקר והנדסה יישומי הגיע למסקנה ש-QML יכולה לבצע משימות כמו תמחור נכסים, חיזוי תנודתיות, חיזוי התוצאות של אופציות אקזוטיות, גילוי הונאה, בחירת מניות, בחירת קרנות גידור, מסחר אלגוריתמי, עשיית שוק, חיזוי פיננסי, חשבונאות וביקורת, והערכת סיכונים הרבה יותר מהירה ומדויקת מאלגוריתמים קלאסיים.

ההבטחה לשנת 2023 של למידת מכונה קוונטית

"QML הוא תחום מרגש ומתפתח במהירות שיש לו פוטנציאל להשפיע באופן משמעותי על מגוון רחב של תעשיות ויישומים", אמר לדהא. לשנת 2023, היא חוזה שלאלגוריתמים קוונטיים יש פוטנציאל לבצע משימות מסוימות של למידת מכונה בצורה מהירה ומדויקת יותר, במיוחד עבור משימות כמו זיהוי תמונה ודיבור, הדורשות עיבוד כמויות גדולות של נתונים. היא גם מציינת ש-QML יכולה לתת מענה לבעיות אופטימיזציה המתעוררות לעתים קרובות במשימות למידת מכונה וקשה לפתור אותן באמצעות אלגוריתמים קלאסיים. Ladha צופה שהיכולת של אלגוריתמים קוונטיים לפתור בעיות אלו בצורה יעילה יותר יכולה להועיל למימון וללוגיסטיקה.

אבטחת סייבר הוא תחום נוסף שבו היא צופה ש-QML ישפיע. "על ידי פיתוח אלגוריתמים מתוחכמים יותר לאיתור ומניעת התקפות סייבר, למידת מכונה קוונטית יכולה לשפר את אבטחת המערכות", אמרה.

בחפירה קצת יותר עמוקה לתוך הטכנולוגיה עצמה, אמר Malhotra שהוא מצפה לראות רוב מכריע של אלגוריתמי ML, במיוחד אלו ברשתות עצביות מלאכותיות, שיתנסו במכונת הקוונטים בתור אלגוריתמי למידה של מכונות קוונטיות. "ראינו עיבודים מוקדמים כמו QNLP, Q-GAN ואפילו למידה מחוזקת במעגלים קוונטיים. אני צופה שהמגמה תצמח ב-2023", אמר.

עדיין נותרו אתגרי למידת מכונה קוונטית

QML היא עניין גדול בגלל ההבטחה שלה. הראיות מצביעות על כך שניתן לאמן מודלים של למידת מכונה לדיוק גבוה יותר עם פחות נתונים מאשר עם הטכניקות הקלאסיות הנוכחיות שלנו. אולם, לפי סקוט עץ אשור, מוביל קוונטי עולמי ו-CTO, של שירותים ממשלתיים וציבוריים, ב-Deloitte Consulting LLP, התשובה לשאלות, "כמה פחות?" ו"כמה יותר מהר?" משתנה באופן קבוע עקב האתגרים הבאים QML:

 

  • "מבחינת חומרה, המחשבים הקוונטים החזקים ביותר הקיימים כיום עדיין מוגבלים - במיוחד בהשוואה לשרתים החזקים ביותר של ימינו. אנו צופים שזה ישתנה בשנים הקרובות, כי יש הרבה יותר מקום לטכנולוגיית המחשוב הקוונטי להתקדם ולצמוח.
  • "מבחינת תוכנה ואלגוריתמים, מחשבים קוונטיים עובדים בצורה שונה מהותית מהמחשבים של היום. כתוצאה מכך, חוקרים מנסים להבין את הדרכים הטובות ביותר למפות בעיות במחשבים קוונטיים (ואכן, לקבוע אילו בעיות עשויות להיות שימושיות לפתרון במחשבים קוונטיים). ככל שאנו מגיעים עם מיפויים מוכללים יותר, קל יותר לאחרים 'להביא את הבעיות שלהם' למחשבים קוונטיים.

"במשך שנים, QML היה - וממשיך להיות - תחום של מחקר פעיל. ככל שהבשלות החומרה והתוכנה משתפרת, אנו צפויים לראות ארגונים מתחילים להעריך את השימוש ב-QML בעומסי עבודה של ייצור", המשיך בוכהולץ. "מכיוון שאנחנו עדיין במרחק של כמה שנים מלהיות ברשותנו מכונה שיכולה להריץ עומסי עבודה של QML בייצור, אנו ממשיכים לקדם את הטכנולוגיה המתקדמת ב-QML ככל שהחומרה ממשיכה להשתפר. אבל אני צופה התקדמות מצטברת של QML לאורך 2023 - כלומר, המשך שיפור הטכניקות להגדלת נפח, טעינת נתונים והרצת מודלים."

לתרגם "