Kunstmatige intelligentie verwijst, onder andere, aan het vermogen van machines om tot op zekere hoogte aan te tonen van wat mensen als "intelligentie" beschouwen. Dit proces wordt aangedreven door de snelle vooruitgang van machine learning:machines zelf laten denken in plaats van ze voor te programmeren met een absoluut concept.

Neem beeldherkenning. Mensen blinken uit in deze taak, maar het is moeilijk gebleken om kunstmatig te simuleren. Een machine trainen om een ​​kat te herkennen, betekent niet dat u een vaste definitie moet invoeren van hoe een kat eruitziet. In plaats daarvan, er worden veel verschillende afbeeldingen van katten ingevoerd; het doel is dat de computer het onderliggende "katachtige" patroon van pixels leert destilleren.

Deze afhankelijkheid van data is een krachtig trainingsinstrument. Maar het komt met potentiële valkuilen. Als machines worden getraind om patronen in gegevens te vinden en te exploiteren, in bepaalde gevallen, ze bestendigen alleen de race, gender- of klassenvooroordelen die specifiek zijn voor de huidige menselijke intelligentie.

Maar de gegevensverwerkingsfaciliteit die inherent is aan machinaal leren, heeft ook het potentieel om toepassingen te genereren die mensenlevens kunnen verbeteren. "Intelligente" machines kunnen wetenschappers helpen kanker efficiënter op te sporen of geestelijke gezondheid beter te begrijpen.

De meeste vooruitgang in machinaal leren tot nu toe is klassiek:de technieken die machines gebruiken om te leren volgen de wetten van de klassieke fysica. De gegevens waarvan ze leren, hebben een klassieke vorm. Ook de machines waarop de algoritmen draaien zijn klassiek.

We werken in het opkomende gebied van quantum machine learning, die onderzoekt of de tak van de natuurkunde die kwantummechanica wordt genoemd, machine learning zou kunnen verbeteren. De kwantummechanica verschilt op een fundamenteel niveau van de klassieke natuurkunde:ze handelt in waarschijnlijkheden en maakt een principe van onzekerheid. De kwantummechanica breidt ook de natuurkunde uit met interessante fenomenen die niet kunnen worden verklaard met behulp van klassieke intuïtie.

Van klassiek naar kwantum

Kwantummechanica is een tak van de natuurkunde die probeert wiskundige, verifieerbare regels voor het gedrag van de natuur aan het kleinste uiteinde van het spectrum - op de schaal van atomen, elektronen en fotonen. Het werd voor het eerst ontwikkeld aan het begin van de 20e eeuw, en is zeer succesvol geweest in het beschrijven van systemen op microscopisch niveau.

De fundamentele kloof tussen de kwantum- en de klassieke wereld is gepopulariseerd door het gedachte-experiment van Schrödinger's kat. In het, een kat is verzegeld in een doos samen met een flesje gif en een radioactief atoom. Het vrijkomen van het gif – en het leven van de kat – hangt af van het verval van het atoom.

Kwantummechanica maakt het mogelijk om het atoom te beschrijven als gelijktijdig vervallen of onvergankelijk totdat een meting het in een exacte staat dwingt. Maar dan zou moeten volgen dat de kat kan worden beschreven als zowel dood als levend tegelijk totdat de doos wordt geopend en de toestand van de kat wordt vastgesteld. De paradox illustreert de moeilijkheid om kwantumregels toe te passen op klassieke objecten.

Dit is een van de meer fascinerende mogelijkheden die inherent zijn aan de kwantumtheorie:dat het mogelijk is dat een kwantumsysteem zich in meer dan één toestand tegelijkertijd bevindt - een fenomeen dat wordt beschreven als een superpositie - totdat dat systeem is gemeten.

Quantum computing

Er zijn verschillende manieren waarop machine learning kwantum kan worden gemaakt. Van deze, het is de race om een ​​kwantumcomputer te maken die de populaire pers heeft gedomineerd en de ontwikkeling heeft gezien van kanshebbers zoals de D-Wave-computer en de IBM Quantum Experience.

De waarde van kwantumcomputers zou liggen in hun vermogen om informatie te verwerken en rekentaken anders uit te voeren, en in sommige gevallen sneller, dan klassieke computers.

Ondanks commerciële interesse geen van de kanshebbers is nog een regelrecht succes. Dat komt omdat de fenomenen waaruit ze putten in de kwantummechanica, zoals superpositiestaten, zijn kwetsbaar en vatbaar voor vernietiging.

Andere takken van kwantummachine learning richten zich op hoe de kwantumtheorie de methoden kan informeren die computers gebruiken om te leren, of de gegevens waarvan ze leren, evenals het verfijnen van de tools en technieken van klassieke machine learning in een kwantumraamwerk.

Hoewel meetbare resultaten zich nog steeds grotendeels in het rijk van de theorie bevinden, quantum machine learning heeft dagelijkse implicaties voor gewone mensen. Er is al lang voorspeld dat de verwerkingskracht van kwantumcomputers de huidige coderingstechnieken die worden gebruikt bij bankieren of andere online transacties ondoeltreffend zou kunnen maken.

Recenter, Quantum machine learning-technieken zoals annealing hebben zakelijke beloften getoond door de opbrengsten van financiële activa of de berekening van kredietbeoordelingen te optimaliseren.

Kwantumtechnieken bij machinaal leren zullen waarschijnlijk ook belangrijk worden in medische technologie of het ontwerpen van geneesmiddelen, aangezien de principes die ten grondslag liggen aan de chemie fundamenteel kwantum zijn. EiwitQure, een biotechbedrijf opgericht in 2017, maakt al gebruik van elementen van kwantumberekening om nieuwe therapieën te ontwikkelen.

Quantum machine learning-technieken zullen waarschijnlijk verreikende effecten hebben op veel van de technologieën waaraan we gewend zijn geraakt, van luchtvaart tot landbouw, met bedrijven als Lockheed Martin, NASA en Google al aan boord.

Quantum machine learning in Afrika

Quantum machine learning is een spannende, snelgroeiend veld. Er zijn een aantal start-ups opgericht die als doel hebben het proces te perfectioneren en schaalbare kwantumapparaten te leveren.

Academici en universitaire onderzoekers werken ook aan het benutten van het potentieel van kwantummachine learning. Wij zijn onder hen. De kwantumonderzoeksgroep van de Universiteit van KwaZulu-Natal onderzoekt zowel hoe de kwantumtheorie machine learning kan verbeteren als hoe machine learning-technieken de kwantumtheorie kunnen informeren.

Dr. Maria Schuld, wie maakt deel uit van de groep, hebben onlangs de krantenkoppen gedeeld met IBM en de Amerikaanse universiteit MIT voor een belangrijke vooruitgang in de kwantumverbetering van op kernel gebaseerde machine learning-methoden.

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