Có ứng dụng tiềm năng nào của máy tính lượng tử trong học máy hay AI không?

Rất nhiều người tin rằng máy tính lượng tử có thể chứng minh là một bước then chốt trong việc tạo ra các thuật toán máy học và AI mới có thể mang lại sự thúc đẩy to lớn cho lĩnh vực này. Thậm chí đã có những nghiên cứu cho rằng bộ não của chúng ta có thể là một máy tính lượng tử, nhưng cho đến nay vẫn chưa có sự đồng thuận giữa các nhà nghiên cứu.

Cho rằng tôi hoàn toàn mới đối với lĩnh vực này, tôi muốn biết liệu đã có một số nghiên cứu được thực hiện trong ứng dụng máy tính lượng tử trong AI, về mặt lý thuyết, có thể thực hiện tốt hơn ở một số nhiệm vụ hoặc hội tụ nhanh hơn các thuật toán học sâu hiện đại.

Tôi sẽ chỉ trả lời một phần của câu hỏi liên quan đến việc cơ học lượng tử có thể hữu ích như thế nào để phân tích dữ liệu cổ điển thông qua học máy. Cũng có những tác phẩm liên quan đến "AI lượng tử", nhưng đó là một thứ mang tính đầu cơ hơn (và ít được xác định hơn), mà tôi không muốn đi sâu vào.

Vì vậy, máy tính lượng tử có thể được sử dụng để tăng tốc độ phân tích dữ liệu thông qua các thuật toán học máy không? Trích dẫn Scott Aaronson Đọc giấy in đẹp , đó là một câu hỏi đơn giản với một câu trả lời phức tạp .

Trước hết cần lưu ý rằng việc cố gắng trả lời loại câu hỏi này là một phần quan trọng trong lĩnh vực nghiên cứu của Quantum Machine Learning là gì (gần đây, các thuật ngữ học máy tăng cường lượng tử hoặc học máy hỗ trợ lượng tử dường như được ưa thích để đề cập đến sự hợp nhất này của QM và ML, để phân biệt với việc sử dụng ML để giúp giải quyết các vấn đề trong QM). Như bạn có thể thấy từ trang Wikipedia, có rất nhiều điều đang diễn ra trong lĩnh vực này, và sẽ thật vô nghĩa khi thử và đưa ra một danh sách đầy đủ các giấy tờ có liên quan ở đây, vì nó sẽ bị lỗi thời nhanh chóng.

Trích dẫn từ Schuld et al. Năm 2014 , ý tưởng đằng sau Học máy hỗ trợ lượng tử (QAML) là như sau:

Do khối lượng dữ liệu được lưu trữ trên toàn cầu đang tăng khoảng 20% ​​mỗi năm (hiện tại theo thứ tự vài trăm exabyte [1]), áp lực phải tìm cách tiếp cận sáng tạo cho học máy đang tăng lên. Một ý tưởng đầy hứa hẹn hiện đang được nghiên cứu bởi các học viện cũng như trong các phòng thí nghiệm nghiên cứu của các công ty CNTT hàng đầu khai thác tiềm năng của điện toán lượng tử để tối ưu hóa các thuật toán học máy cổ điển.

Quay trở lại câu hỏi của bạn, một câu trả lời có vẻ tích cực đầu tiên được cung cấp bởi Harrow et al. Năm 2009 , đã đưa ra một thuật toán lượng tử hiệu quả để đảo ngược hệ phương trình tuyến tính (theo một số điều kiện trên hệ thống), hoạt động khi dữ liệu được lưu trữ ở trạng thái lượng tử. Đây là một hoạt động đại số tuyến tính cơ bản, phát hiện này đã dẫn đến nhiều thuật toán lượng tử được đề xuất để giải quyết các vấn đề máy học của một số tác giả tương tự ( 1307.0401 , 1307.0411 , 1307.0471 ), cũng như nhiều người khác. Hiện tại có nhiều đánh giá mà bạn có thể xem để có được danh sách tài liệu tham khảo toàn diện hơn, như 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , cuốn sách của Peter Wittek , và có thể nhiều hơn nữa.

Tuy nhiên, nó còn lâu mới được thiết lập như thế nào điều này sẽ hoạt động trong thực tế. Một số lý do được giải thích rõ trong bài báo của Aaronson: Đọc bản in đẹp (xem thêm phiên bản đã xuất bản: nphys3272 ). Nói một cách đại khái, vấn đề là các thuật toán lượng tử thường xử lý "dữ liệu" như được lưu trữ ở trạng thái lượng tử, thường mã hóa các vectơ thành biên độ của trạng thái. Đây là, ví dụ, trường hợp cho QFT , và nó vẫn là trường hợp cho HHL09 và các tác phẩm phái sinh .

Vấn đề lớn (hoặc một trong những vấn đề lớn) với điều này là không rõ ràng về cách bạn có thể tải dữ liệu cổ điển "lớn" một cách hiệu quả vào trạng thái lượng tử này để xử lý. Câu trả lời điển hình cho vấn đề này là "chúng ta chỉ cần sử dụng qRAM ", nhưng điều đó cũng đi kèm với nhiều cảnh báo, vì quá trình này cần phải rất nhanh để duy trì tốc độ tăng theo cấp số nhân mà bây giờ chúng ta có thể đạt được khi có dữ liệu dạng lượng tử. Tôi một lần nữa tham khảo bài viết của Aaronson để biết thêm chi tiết về sự cẩn thận.

Có nhiều ý kiến ​​cho rằng bộ não của chúng ta là cơ học lượng tử, và lập luận chống lại, vì vậy đó là một chủ đề tranh luận sôi nổi. Fisher tại UCSB có một số suy nghĩ đầu cơ về việc bộ não vẫn có thể sử dụng hiệu ứng lượng tử mặc dù về bản chất chúng không phải là cơ học lượng tử. Mặc dù không có bằng chứng thực nghiệm trực tiếp, có hai tài liệu bạn có thể muốn đọc:

• Nhận thức lượng tử: Khả năng xử lý với các hạt nhân trong não

• Chúng ta là máy tính lượng tử, hay chỉ là robot thông minh?

Bây giờ, về vấn đề sử dụng máy tính lượng tử và học máy, Rigetti Computing đã trình diễn một thuật toán phân cụm bằng cách sử dụng chip lượng tử nguyên mẫu của họ (19 qubit). Họ đã công bố phát hiện của họ trong một tờ giấy trắng trên arXiv.org tại đây:

• Học máy không giám sát trên máy tính lượng tử lai

Vì vậy, rõ ràng có một cơ hội để thúc đẩy học máy, và cuối cùng, AI sử dụng imho điện toán lượng tử.

Phần lớn công việc được thực hiện cho đến nay với máy tính lượng tử đã được tập trung vào giải quyết các vấn đề tối ưu hóa tổ hợp. Cả Annealers lượng tử kiểu D-Wave và các máy Gate Model gần đây của Rigetti, IBM và Google đều đang giải quyết các vấn đề tối ưu hóa tổ hợp. Một cách tiếp cận đầy hứa hẹn để kết nối học máy và điện toán lượng tử liên quan đến việc tìm kiếm các vấn đề tối ưu hóa trong các nhiệm vụ học máy tiêu chuẩn.

Ví dụ, bài viết gần đây của Rigetti về Máy học không giám sát trên Máy tính lượng tử lai về cơ bản khắc phục sự cố máy học không giám sát của việc phân cụm dữ liệu thành hai nhóm, còn được gọi là phân cụm 2 nghĩa, vào vấn đề tối ưu hóa kết hợp của MaxCut. Sau đó, mọi người tại Rigetti giải quyết vấn đề MaxCut bằng Thuật toán tối ưu hóa gần đúng lượng tử (QAOA).

Tôi hy vọng sẽ thấy nhiều hơn về phong cách làm việc này trong tương lai, đặc biệt là với các kết nối tự nhiên giữa tối ưu hóa và học máy.