Er is goede hoop dat de enorme verwerkingskracht van quantum computing op een dag exponentiële vooruitgang in kunstmatige intelligentie zal ontketenen. AI-systemen gedijen goed wanneer de machine learning-algoritmen die worden gebruikt om ze te trainen enorme hoeveelheden gegevens krijgen om in te nemen, classificeren en analyseren. Hoe preciezer die gegevens kunnen worden ingedeeld op basis van specifieke kenmerken, of kenmerken, hoe beter de AI zal presteren. Van kwantumcomputers wordt verwacht dat ze een cruciale rol spelen in machine learning, inclusief het cruciale aspect van toegang tot meer computationeel complexe functieruimten - de fijnmazige aspecten van gegevens die tot nieuwe inzichten kunnen leiden.

In een nieuw Nature-onderzoeksartikel getiteld "Supervised learning with quantum enhanced feature spaces, " beschrijven we het ontwikkelen en testen van een kwantumalgoritme met het potentieel om in de nabije toekomst machinaal leren op kwantumcomputers mogelijk te maken. We hebben aangetoond dat naarmate kwantumcomputers de komende jaren krachtiger worden, en hun kwantumvolume neemt toe, ze zullen in staat zijn om feature mapping uit te voeren, een belangrijk onderdeel van machine learning, op zeer complexe datastructuren op een schaal die ver buiten het bereik ligt van zelfs de krachtigste klassieke computers.

Onze methoden waren ook in staat om gegevens te classificeren met behulp van korte-diepte circuits, die een weg opent naar het omgaan met decoherentie. Net zo belangrijk, onze feature-mapping werkte zoals voorspeld:geen classificatiefouten met onze engineered data, zelfs toen de processors van de IBM Q-systemen decoherentie ondervonden.

groter, Beter beeld

Feature mapping is een manier om gegevens uit elkaar te halen om toegang te krijgen tot fijnmazigere aspecten van die gegevens. Zowel klassieke als kwantum-machine learning-algoritmen kunnen een beeld afbreken, bijvoorbeeld, door pixels en plaats ze in een raster op basis van de kleurwaarde van elke pixel. Van daaruit brengen de algoritmen individuele gegevenspunten niet-lineair in kaart in een hoogdimensionale ruimte, het opsplitsen van de gegevens op basis van de meest essentiële kenmerken. In de veel grotere kwantumtoestandsruimte, we kunnen aspecten en kenmerken van die gegevens beter scheiden dan we zouden kunnen in een functiekaart die is gemaakt door een klassiek algoritme voor machine learning. uiteindelijk, des te nauwkeuriger kunnen gegevens worden geclassificeerd op basis van specifieke kenmerken, of kenmerken, hoe beter de AI zal presteren.

Het doel is om kwantumcomputers te gebruiken om nieuwe classificaties te maken die meer geavanceerde datakaarten genereren. Door dat te doen, onderzoekers in staat zullen zijn om effectievere AI te ontwikkelen die, bijvoorbeeld, patronen in gegevens identificeren die onzichtbaar zijn voor klassieke computers.

We hebben een blauwdruk ontwikkeld met nieuwe algoritmen voor kwantumgegevensclassificatie en functiekaarten. Dat is belangrijk voor AI omdat, hoe groter en diverser een dataset is, hoe moeilijker het is om die gegevens op te splitsen in zinvolle klassen voor het trainen van een machine learning-algoritme. Slechte classificatieresultaten van het machine learning-proces kunnen ongewenste resultaten opleveren; bijvoorbeeld, het vermogen van een medisch apparaat om kankercellen te identificeren op basis van mammografiegegevens aantasten.

Het ruisprobleem

We ontdekten dat zelfs in de aanwezigheid van lawaai, we konden onze technische gegevens tijdens onze tests consequent met perfecte nauwkeurigheid classificeren. De huidige kwantumcomputers hebben moeite om hun qubits meer dan een paar honderd microseconden in een kwantumtoestand te houden, zelfs in een sterk gecontroleerde laboratoriumomgeving. Dat is belangrijk omdat qubits zo lang mogelijk in die staat moeten blijven om berekeningen uit te voeren.

Onze algoritmen die aantonen hoe verstrengeling de nauwkeurigheid van de AI-classificatie kan verbeteren, zullen beschikbaar zijn als onderdeel van IBM's Qiskit Aqua, een open-source bibliotheek van kwantumalgoritmen die ontwikkelaars, onderzoekers en industrie-experts kunnen gebruiken om toegang te krijgen tot kwantumcomputers via klassieke applicaties of gemeenschappelijke programmeertalen zoals Python.

We zijn nog ver verwijderd van het bereiken van Quantum Advantage voor machine learning - het punt waarop kwantumcomputers klassieke computers overtreffen in hun vermogen om AI-algoritmen uit te voeren. Ons onderzoek toont Quantum Advantage nog niet aan, omdat we de omvang van het probleem hebben geminimaliseerd op basis van onze huidige hardwaremogelijkheden, met slechts twee qubits kwantumcomputercapaciteit, die kan worden gesimuleerd op een klassieke computer. 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.