211service.com
Quantum computing zou deze machine-learningtechniek een boost moeten geven
IBM
Quantum computing en kunstmatige intelligentie zijn beide belachelijk gehyped. Maar het lijkt erop dat een combinatie van de twee inderdaad kan worden gecombineerd om nieuwe mogelijkheden te openen.
In een onderzoekspaper vandaag gepubliceerd in het tijdschrift Nature, laten onderzoekers van IBM en MIT zien hoe een IBM-kwantumcomputer een specifiek type machine learning-taak, feature matching genaamd, kan versnellen. Het team zegt dat toekomstige kwantumcomputers machine learning in staat moeten stellen om nieuwe niveaus van complexiteit te bereiken.
Zoals decennia geleden voor het eerst werd gedacht, werden kwantumcomputers gezien als een andere manier om informatie te berekenen. Door gebruik te maken van de vreemde, probabilistische aard van de natuurkunde op kwantum- of atomaire schaal, zouden deze machines in principe in staat moeten zijn om bepaalde soorten berekeningen uit te voeren met snelheden die veel hoger liggen dan mogelijk is met een conventionele computer (zie Wat is een kwantumcomputer? ). Er is op dit moment enorm veel opwinding over hun potentieel, omdat ze eindelijk op het punt staan een punt te bereiken waarop ze praktisch zullen zijn.
Tegelijkertijd is het, omdat we nog geen grote kwantumcomputers hebben, niet helemaal duidelijk hoe ze beter zullen presteren dan gewone supercomputers – of, met andere woorden, wat ze daadwerkelijk zullen doen (zie Kwantumcomputers zijn er eindelijk.) doen we met hen?)
Feature matching is een techniek die gegevens omzet in een wiskundige representatie die zich leent voor machine learning-analyse. Het resulterende machine learning is afhankelijk van de efficiëntie en kwaliteit van dit proces. Met behulp van een kwantumcomputer moet dit mogelijk zijn op een schaal die tot nu toe onmogelijk was.
De MIT-IBM-onderzoekers voerden hun eenvoudige berekening uit met behulp van een kwantumcomputer van twee qubits. Omdat de machine zo klein is, bewijst het niet dat grotere kwantumcomputers een fundamenteel voordeel zullen hebben ten opzichte van conventionele, maar het suggereert dat dit het geval zou zijn. De grootste kwantumcomputers die tegenwoordig beschikbaar zijn, hebben ongeveer 50 qubits, hoewel niet allemaal kan worden gebruikt voor berekeningen vanwege de noodzaak om te corrigeren voor fouten die binnensluipen als gevolg van de fragiele aard van deze kwantumbits.
We zijn nog ver verwijderd van het behalen van kwantumvoordeel voor machinaal leren, de IBM-onderzoekers, geleid door Jay Gambetta , schrijf in een blogpost. Maar de methodes voor het in kaart brengen van functies die we ontwikkelen, zouden binnenkort in staat kunnen zijn om veel complexere datasets te classificeren dan alles wat een klassieke computer aankan. Wat we hebben laten zien, is een veelbelovende weg vooruit.
We bevinden ons in een fase waarin we volgende maand of volgend jaar geen aanvragen hebben, maar we zijn in een zeer goede positie om de mogelijkheden te verkennen, zegt Xiaodi Wu , een assistent-professor aan het Joint Center for Quantum Information and Computer Science van de University of Maryland. Wu zegt te verwachten dat praktische toepassingen binnen een jaar of twee worden ontdekt.
Quantum computing en AI zijn hot op dit moment. Nog maar een paar weken geleden bedacht Xanadu, een startup voor kwantumcomputers in Toronto, een bijna identieke benadering aan die van de MIT-IBM-onderzoekers, die het bedrijf online plaatste. Maria Schuld, een machine learning-onderzoeker bij Xanadu, zegt dat het recente werk het begin kan zijn van een vlaag van onderzoekspapers die de modewoorden kwantum en AI combineren.
Er is een enorm potentieel, zegt ze.