Machine learning, maak kennis met quantum computing

In 1958, in de begindagen van de computerrevolutie, organiseerde het Amerikaanse Office of Naval Research een persconferentie om een ​​apparaat te onthullen dat was uitgevonden door een psycholoog genaamd Frank Rosenblatt in het Cornell Aeronautical Laboratory. Rosenblatt noemde zijn apparaat een perceptron, en de New York Times meldde dat het het embryo was van een elektronische computer waarvan [de marine] verwacht dat hij kan lopen, praten, zien, schrijven, zichzelf reproduceren en zich bewust is van het bestaan ​​ervan.

Die beweringen bleken enigszins overdreven. Maar het apparaat was de start van een onderzoeksgebied dat vandaag de dag nog steeds een enorm potentieel heeft.

Een perceptron is een enkellaags neuraal netwerk. De deep learning-netwerken die de afgelopen jaren zoveel belangstelling hebben gewekt, zijn directe afstammelingen. Hoewel het apparaat van Rosenblatt nooit zijn overhyped potentieel heeft bereikt, is er grote hoop dat een van zijn nakomelingen dat wel zal doen.

Tegenwoordig staat er een andere informatieverwerkingsrevolutie in de kinderschoenen: quantum computing. En dat roept een interessante vraag op: is het mogelijk om een ​​perceptron op een kwantumcomputer te implementeren, en zo ja, hoe krachtig kan het zijn?

Vandaag krijgen we een soort antwoord dankzij het werk van Francesco Tacchino en collega's van de Universiteit van Pavia in Italië. Deze jongens hebben 's werelds eerste perceptron gebouwd dat op een kwantumcomputer is geïmplementeerd en hebben het vervolgens uitgeprobeerd met enkele eenvoudige beeldverwerkingstaken.

In zijn eenvoudigste vorm neemt een perceptron een vectorinvoer - een reeks getallen - en vermenigvuldigt deze met een wegingsvector om een ​​uitvoer met één cijfer te produceren. Als dit aantal boven een bepaalde drempel ligt, is de output een , en als het onder de drempel is, is de uitvoer 0 .

Dat heeft een aantal handige toepassingen. Stel je een pixelarray voor die een reeks lichtintensiteitsniveaus produceert - één voor elke pixel - bij het afbeelden van een bepaald patroon. Wanneer deze reeks getallen in een perceptron wordt ingevoerd, produceert het a een of 0 uitvoer. Het doel is om de weegvector en drempel aan te passen zodat de output is een als het ziet, zeg een kat, en 0 in alle andere gevallen.

Tacchino en co hebben het vroege werk van Rosenblatt aan een kwantumcomputer herhaald. De technologie die dit mogelijk maakt, is de supergeleidende kwantumprocessor Q-5 Tenerife van IBM. Dit is een kwantumcomputer die vijf qubits kan verwerken en programmeerbaar via het web door iedereen die een kwantumalgoritme kan schrijven .

Tacchino en co hebben een algoritme gemaakt dat een klassieke vector (zoals een afbeelding) als invoer neemt, deze combineert met een kwantumwegingsvector en vervolgens een 0 of een uitvoer.

Het grote voordeel van quantum computing is dat het een exponentiële toename mogelijk maakt van het aantal dimensies dat het kan verwerken. Terwijl een klassiek perceptron een invoer van kan verwerken N afmetingen kan een kwantumperceptron 2 . verwerken N dimensies.

Tacchino en co demonstreren dit op IBM's Q-5-processor. Vanwege het kleine aantal qubits kan de processor: N = 2. Dit komt overeen met een 2x2 zwart-wit afbeelding. De onderzoekers vragen dan: bevat deze afbeelding horizontale of verticale lijnen, of een dambordpatroon?

Het blijkt dat het kwantumperceptron de patronen in deze eenvoudige afbeeldingen gemakkelijk kan classificeren. We laten zien dat dit kwantummodel van een perceptron kan worden gebruikt als een elementaire niet-lineaire classificatie van eenvoudige patronen, laten we zeggen Tacchino en co.

Ze laten verder zien hoe het kan worden gebruikt in complexere patronen, zij het op een manier die wordt beperkt door het aantal qubits dat de kwantumprocessor aankan.

Dat is interessant werk met een aanzienlijk potentieel. Rosenblatt en anderen ontdekten al snel dat een enkele perceptron alleen zeer eenvoudige beelden kan classificeren, zoals rechte lijnen. Andere wetenschappers ontdekten echter dat het combineren van perceptrons in lagen veel meer potentieel heeft. Verschillende andere ontwikkelingen en aanpassingen hebben geleid tot machines die objecten en gezichten zo nauwkeurig kunnen herkennen als mensen, en zelfs de beste menselijke spelers van schaken en Go kunnen verslaan.

Het kwantumperceptron van Tacchino en co bevindt zich in een vergelijkbaar vroeg stadium van evolutie. Toekomstige doelen zullen zijn om het equivalent van grijsschaalbeelden te coderen en om kwantumperceptrons te combineren in netwerken met veel lagen.

Het werk van deze groep heeft dat potentieel. Onze procedure is volledig algemeen en kan worden geïmplementeerd en uitgevoerd op elk platform dat universele kwantumberekeningen kan uitvoeren, zeggen ze.

De beperkende factor is natuurlijk de beschikbaarheid van krachtigere kwantumprocessors die grotere aantallen qubits aankunnen. Maar de meeste kwantumonderzoekers zijn het erover eens dat dit soort mogelijkheden dichtbij zijn.

Inderdaad, sinds Tacchino en co hun werk deden, heeft IBM al een 16-qubit quantumprocessor beschikbaar gesteld via het web. Het is slechts een kwestie van tijd voordat kwantumperceptrons veel krachtiger worden.

Referentie: arxiv.org/abs/1811.02266 : Een kunstmatig neuron geïmplementeerd op een werkelijke kwantumprocessor

zich verstoppen