Het menselijk brein heeft verbazingwekkende mogelijkheden waardoor het in veel opzichten krachtiger is dan 's werelds meest geavanceerde computers. Het is dus niet verwonderlijk dat ingenieurs het al lang proberen te kopiëren. Vandaag, kunstmatige neurale netwerken geïnspireerd op de structuur van de hersenen worden gebruikt om enkele van de moeilijkste problemen in kunstmatige intelligentie (AI) aan te pakken. Maar deze benadering omvat meestal het bouwen van software, zodat informatie op een vergelijkbare manier wordt verwerkt als de hersenen, in plaats van hardware te maken die neuronen nabootst.

In plaats daarvan hopen mijn collega's en ik de eerste speciale neurale netwerkcomputer te bouwen, met behulp van de nieuwste "quantum" -technologie in plaats van AI-software. Door deze twee takken van informatica te combineren, we hopen een doorbraak te realiseren die leidt tot AI die met ongekende snelheid werkt, automatisch zeer complexe beslissingen nemen in een zeer korte tijd.

We hebben veel geavanceerdere AI nodig als we willen dat het ons helpt om dingen te creëren zoals echt autonome zelfrijdende auto's en systemen voor het nauwkeurig beheren van de verkeersstroom van een hele stad in realtime. Veel pogingen om dit soort software te bouwen, omvatten het schrijven van code die de manier waarop neuronen in het menselijk brein werken nabootst en het combineren van veel van deze kunstmatige neuronen in een netwerk. Elk neuron bootst een besluitvormingsproces na door een aantal invoersignalen te nemen en deze te verwerken tot een uitvoer die overeenkomt met "ja" of "nee".

Elke input wordt gewogen op basis van hoe belangrijk het is voor de beslissing. Bijvoorbeeld, voor AI die je kan vertellen naar welk restaurant je het liefste gaat, de kwaliteit van het eten kan belangrijker zijn dan de plaats van de beschikbare tafel, zou dus meer gewicht krijgen in het besluitvormingsproces.

Deze gewichten worden in testruns aangepast om de prestaties van het netwerk te verbeteren, het systeem effectief trainen om beter te werken. Zo leerde de AlphaGo-software van Google het complexe strategiespel Go, spelen tegen een kopie van zichzelf totdat het klaar was om de menselijke wereldkampioen met vier wedstrijden tegen één te verslaan. Maar de prestaties van de AI-software zijn sterk afhankelijk van de hoeveelheid invoergegevens waarop getraind kan worden (in het geval van AlphaGo, het was hoe vaak het tegen zichzelf speelde).

Ons Quromorphic-project heeft tot doel dit proces radicaal te versnellen en de hoeveelheid invoergegevens die kan worden verwerkt te vergroten door neurale netwerken te bouwen die werken volgens de principes van de kwantummechanica. Deze netwerken worden niet gecodeerd in software, maar direct ingebouwde hardware gemaakt van supergeleidende elektrische circuits. We verwachten dat dit het makkelijker maakt om ze foutloos op te schalen.

Traditionele computers slaan gegevens op in eenheden die bekend staan ​​als bits, die een van de twee toestanden kan aannemen, ofwel 0 of 1. Quantumcomputers slaan gegevens op in "qubits", die veel verschillende toestanden kan aannemen. Elke extra qubit die aan het systeem wordt toegevoegd, verdubbelt de rekenkracht. Dit betekent dat kwantumcomputers enorme hoeveelheden data parallel (tegelijkertijd) kunnen verwerken.

Tot dusver, alleen kleine kwantumcomputers die delen van de technologie demonstreren, zijn met succes gebouwd. Gemotiveerd door het vooruitzicht van aanzienlijk grotere verwerkingskracht, veel universiteiten, techgiganten en startende bedrijven werken nu aan ontwerpen. Maar geen enkele heeft nog een stadium bereikt waarin ze beter kunnen presteren dan bestaande (niet-kwantum)computers.

Dit komt omdat kwantumcomputers zeer goed geïsoleerd moeten zijn van verstoringen in hun omgeving, die steeds moeilijker wordt naarmate de machines groter worden. Bijvoorbeeld, kwantumprocessors moeten in een vacuüm worden gehouden bij een zeer lage temperatuur (dicht bij het absolute nulpunt), anders kunnen ze worden beïnvloed door luchtmoleculen die erop raken. Maar de processor moet ook op de een of andere manier verbonden zijn met de buitenwereld om te kunnen communiceren.

Meer ruimte voor fouten

De technische uitdagingen in ons project lijken erg op die voor het bouwen van een universele kwantumcomputer die voor elke toepassing kan worden gebruikt. Maar we hopen dat AI-toepassingen meer fouten kunnen tolereren dan conventionele computers en dat de machine dus niet zo goed geïsoleerd hoeft te zijn.

Bijvoorbeeld, AI wordt vaak gebruikt om gegevens te classificeren, zoals beslissen of een foto een auto of een fiets laat zien. Het hoeft niet elk detail van het object volledig vast te leggen om die beslissing te nemen. Dus hoewel AI hoge computersnelheden nodig heeft, vereist het niet zulke hoge niveaus van precisie. Om deze reden, we hopen dat dit AI een ideaal veld maakt voor quantumcomputing op korte termijn.

Ons project omvat het demonstreren van de principes die betrokken zijn bij een kwantumneuraal netwerk. Om de technologie volledig te benutten, moeten grotere apparaten worden gemaakt, een proces dat tien jaar of langer kan duren, aangezien veel technische details zeer nauwkeurig moeten worden gecontroleerd om rekenfouten te voorkomen. Maar zodra we hebben aangetoond dat kwantumneurale netwerken krachtiger kunnen zijn dan klassieke AI-software in een echte wereldtoepassing, het zou heel snel een van de belangrijkste technologie worden die er is.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.