0
در نهایت، محاسبات کوانتومی می تواند آموزش ماشین را افزایش دهد. | آرلام مجله تخصصی هوش مصنوعی | مرجع تخصصی هوش مصنوعی
0
0
logo

در نهایت، محاسبات کوانتومی می تواند آموزش ماشین را افزایش دهد.

به نظر می رسد برتری کوانتومی چیزی مانند فیلم مارول است. اما برای دانشمندان که در خط مقدم محاسبات کوانتومی کار می کنند، امید و هجوم این روش اساسا متفاوتی برای پردازش اطلاعات بسیار واقعی است. با تشکر از خواص شگفت انگیز مکانیک کوانتومی (در اینجا یک پرایمر عالی است)، کامپیوترهای کوانتومی به شدت پتانسیل سرعت بخشیدن به انواع خاصی از مشکلات، به ویژه آنهایی که طبیعت را شبیه سازی می کنند را دارند.

دانشمندان به خصوص با ایده ازدواج با دنیای کوانتومی با یادگیری ماشین تحریک می شوند.با وجود تمام دستاوردهای خود، افراد یادگیری سیلیکون همچنان در معرض معلولیت هستند: الگوریتم های یادگیری ماشین و پردازنده های سنتی به خوبی بازی نمی کنند، بخشی از این که الگوریتم های حریصانه مالیات سخت افزار محاسباتی کلاسیک را پرداخت می کنند.

با این حال، در یک مقدار از محاسبات کوانتومی اضافه کنید، و یادگیری ماشین به طور بالقوه می تواند مشکلاتی پیچیده را فراتر از توانایی های فعلی در یک لحظه از زمان انجام دهد.

با تشکر از یک مطالعه جدید توسط آی بی ام و MIT، ما فقط تا به حال برخی از اولین اثبات های تجربی که تئوری هستند را تبدیل به واقعیت کرده ایم. انتشار در طبیعت، همکاری با استفاده از یک سیستم محاسبات کوانتومی دو کوبی برای نشان دادن اینکه رایانه های کوانتومی می تواند یک نوع خاص از یادگیری ماشین را تقویت کند – یکی برای استفاده عمومی از مجموعه داده های آزمایشگاهی استفاده می شود.

بدون شک این تنها اولین گام است. اما مطالعه به روشنی نشان می دهد که رایانه های کوانتومی کامل، که در حال حاضر از دسترس خارج می شوند، برای کمک به هوش مصنوعی ضروری نیستند. همانطور که پر سر و صدا هستند، سیستم های کوانتومی که در حال حاضر در دسترس هستند، متناسب با این لایحه هستند، به خصوص کسانی که می توانند با رایانه های کلاسیک برای انجام یادگیری ماشین به عنوان یک تیم همکاری کنند.

این اخبار پر انرژی است.

دکتر ماریا شولد در Xanadu به قطب هوش مصنوعی می گوید: “در مجموع، من فکر می کنم که این تحقیق در مقاله های بسیار بیشتری را مشاهده خواهد کرد و پتانسیل زیادی وجود دارد.” شولد در ماه گذشته، ایده های بسیار مشابه ای را توصیف کرد و اکنون یک توضیح همراه با مقاله جدید ارائه می دهد.

 

یک تیم در یک پست وبلاگ اشاره کرد: “ما هنوز از دستیابی به مزیت کوانتومی برای یادگیری ماشین فاصله نداریم. “با این حال … روش هایی که ما در حال پیشرفت میباشیم میتوانیم به زودی قادر به دسته بندی مجموعه های اطلاعاتی پیچیده تر از چیزی باشد که یک رایانه کلاسیک میتواند انجام دهد. چیزی که ما نشان دادیم یک مسیر امیدوار کننده است.

به هر حال،  چه طبقه بندی ؟

این مطالعه با یک بینش غیر منتظره آغاز می شود: نوع خاصی از یادگیری ماشین، با تکیه بر روش های هسته ای، به طور ریاضی فوق العاده شبیه آنچه در داخل کامپیوتر کوانتومی اتفاق می افتد، مشابه است.

یک نمونه کلاسیک از این الگوریتم ها، ماشین پشتیبانی Vector (SVM) است که قبل از شروع به یادگیری عمیق به دهه 90 افزایش یافته است. به طور خلاصه، برای مشکلی که بین چیزهای مختلف متفاوت است-گربه ها در برابر سگ ها، برای مثال SVM  ها نسبتا قدرتمند هستند، در حالی که ویژگی های توصیفی هر کلاس نسبتا ساده است.

در اینجا همه چیز حواس پرت شده است. اساسا، SVM  ها بر روش های هسته ای تکیه می کنند تا داده های ورودی “پروژه” را با استفاده از یک روش ریاضی دقیق به فضای با ابعاد بزرگ برای جدا کردن ویژگی های هیپرپلان (که در اصل برای من نیز مانند مزخرف صدق می کند) تکیه می کنند.

این کمک می کند تا ما از یک قیاس ساده شده در دنیای سه بعدی آشنا استفاده کنیم. مثلاً تصویر نقاشی یک گربه و پوشاندن یک برچسب سگ بر روی یک برگ کاغذ. از آنجا که کاغذ تنها یک سطح دارد، هیچ راهی برای طراحی یک خط یا یک هواپیما برای جدا کردن گربه و سگ وجود ندارد.

حالا بعد دیگریبه نام عمق را اضافه کنید. شما به طور ناگهانی متوجه می شوید که دو مورد واقعا درهم شکسته شده اند و در عمق های مختلف زندگی می کنند. با طراحی سگ و گربه به یک فضای با ابعاد بالاتر، اکنون می توان یک کاغذ (یک “هواپیما”) بین این دو را برای جدا کردن آنها به کلاس های مجزا کشید.

به سادگی، این است که چگونه SVM کار می کنند. کامپیوترها تصویری از یک گربه یا سگ می گیرند، پیکسل ها را با توجه به رنگ، شکل یا برخی ویژگی های دیگر که به ذهن انسان های ما ناسازگارند، مجددا سازماندهی می کنند و “پروژه” را وارد می کنند که به یک فضای بی نظیر انتزاعی وارد شده است. این یک “نقشه ویژگی” نامیده می شود، که پس از آن کامپیوتر برای ساختن یک هسته استفاده می کند، یک راه برای به حداکثر رساندن ویژگی ها برای کمک به طبقه بندی.

 

SVM ها عموما روش های یادگیری عمیق در تمام این روزها نیستند. اگر چه تلاش هایی در جهت برطرف کردن (بسیار) ساده شبکه های عصبی با محاسبات کوانتومی انجام شده است، اما این دو مناسب نیستند.

Schuld توضیح داد : اساسا، نظریه ریاضی از روش های هسته و مکانیک کوانتومی شباهت زیادی دارد، در حالی که نظریه های نظریه کوانتومی و شبکه های عصبی بسیار متفاوت است.

این بینش شگفت آور تقریبا به طور همزمان توسط هر دو Schuld و تیم IBM مورد بررسی قرار گرفته است – کلیدی است.

کلاس کوانتومی ماشین آموزش:

محققان توضیح دادند که محاسبات کوانتومی به دو روش سرعت بخشیدن به طبقه بندی های مبتنی بر هسته ای کمک می کند.

یک ایده این است که از کوانتومی کامپیوتر خود به عنوان “تبعیض کننده” استفاده کنید. داده های آموزشی به یک حالت کوانتومی، نوعی مشابه با تبدیل تصاویر رنگ به 0 و 1S  می باشد. در این حالت، خروجی یک دسته از ذرات کوانتومی است. این داده ها پس از آن به یک مدار کوانتومی کوتاه عمودی تغذیه می شوند که عمدتا خواص کوانتومی را تا انتهای محاسبه حفظ می کنند. به عنوان یک لپ تاپ که به طور کلی قابل اعتماد است فکر نکنید و اغلب به جای یک ماشین کامل، سقوط نکنید.

دکتر کریستن تمیم، یک دانشمند پژوهشی کوانتومی در IBM Research to Singularity Hub می گوید: کل پروسه به طور شبیه به شبکه های عصبی مصنوعی (ANN) است. “رویکرد تنوع کوانتومی ما از مجموعه ای از پارامترهای (احتمالا تصادفی) شروع می شود که سپس در طول آموزش بهینه سازی می شوند. به این معنا،  ممکن است چنین تقلیدی را درک کنیم، از آنجا که شبکه های عصبی نیز از مقادیر پارامتری (وزن) استفاده می کنند و از حالت تصادفی شروع می شوند.

به علت خواص کوانتومی آنها، ذراتی که کامپیوتر کوانتومی را در خود جای می دهند، انتزاعی در یک حالت “حالت کوانتومی” بسیار بزرگ و پر از امکانات هستند. در تئوری، این باعث می شود ویژگی ها را بسیار آسان تر و سریع تر از یک کامپیوتر سنتی جدا کند      .

Temme  گفت: “برای به دست آوردن مزیت کوانتومی، بسیار مهم است که مدارها از یک شکل باشند که نمیتوان آنها را به صورت کلاسیک [در یک کامپیوتر سیلیکونی] شبیه سازی کرد.

ایده دیگر این است که از رایانه کوانتومی برای شناخت کرنل استفاده کنید: یعنی اینکه چگونه بهترین داده های ورودی را به فضای با ابعاد بزرگ بسپارید تا ویژگی های جداگانه را به نحوی معنی دار نشان دهد. در اینجا، رایانه مبتنی بر سیلیکون کلاسیک، بقیه را با استفاده از هسته (بینش) از همبستگی کوانتومی خود، می آموزد که قاعده ای را می گوید که “این چیزها یک گربه” یا “سگ” را می سازد.

نظریه آزمایش:

در یک سیستم محاسباتی کوانتومی دو بیتی، تیم دو استراتژی را با مجموعه داده های انسان ساخته است که به اصطلاح یک مشکل اسباب بازی است.

تیم ما توضیح داد: “ما می خواستیم ببینیم آیا می توانیم طبقه بندی های یادگیری ماشین را در داخل سخت افزار کوانتومی اجرا کنیم.” به همین دلیل داده های انسان ساخته شده به گونه ای است که می تواند با موفقیت 100 درصد برای تایید روش طبقه بندی شود.

حتی با سر و صدای ذاتی از کامپیوترهای کوانتومی نسل فعلی، تیم توانست به طبقه بندی نزدیک به کامل دست یابد (شما می توانید با نسخه ی نمایشی بازی کنید).

Schuld گفت :این کلید است.  وی گفت: “با وجود ادعاهای متلاشی شده از برخی گزارش های خبری، هر کسی که محاسبات کوانتومی را در ابر آزمایش کرده است می داند که جمع آوری داده های معنی دار از این دستگاه ها به علت سطوح بالایی سر و صدای تجربی در محاسبات، دشوار است.”

نتایج تیم، نشان می دهد که ممکن است داده های خود را حتی در مواقع سر و صدا طبقه بندی کنند، واقعا برای خبرخوانانی که می خواهند رایانه های کوانتومی را با یادگیری دستگاه بسازند، خبر خوبی است.

دکتر جری چو، مدیر محاسبات کوانتومی تجربی در IBM Research to Singularity Hub می گوید: “این روش برای یادگیری ماشین کوانتومی ما را در مسیری برای درک قرار می دهد که در آن حتی رایانه های کوانتومی پر سر و صدا نیز می توانند از الگوریتم های یادگیری ماشین کلاسیک برتر باشند.”

Tanisha Bassan، یک محقق جوانی در زمینه ماشین آلات کوانتومی جوان در تورنتو که در کار دخیل نبود، موافق این قضیه  است. “این نتایج چشمگیر نشان می دهد که الگوریتم های قدرتمند تر می توانند بر روی رایانه های کوانتومی سخت افزاری NISQ [هنوز] با نیاز به تصحیح خطا و پتانسیل برنامه های کاربردی بیشتری برای یادگیری ماشین های کوانتومی به نمایش گذاشته شوند.”

او اضافه کرد که دادن کامپیوترهای کوانتومی به حافظه دسترسی تصادفی، مشابه با نحوه دسترسی رایانه های رایج به داده ها، می تواند بیشتر به یادگیری ماشین های کوانتومی کمک کند.

Schuld  همچنین اشاره کرد که نتایج سخت افزار، هر چند هیجان انگیز، محدودیت های خود را دارند.

یکی از این موارد این است که کامپیوتر کوانتومی در این مورد بسیار لاغر استخوان است. او گفت: “آزمایشات اثبات شده [به طور کلی] از این تعداد حداقل پنج کوبیت در این روز استفاده می کنند.”

شاید بیشتر انتقاد ها، فراتر از جزئیات تجربی، این است که آیا راه اندازی جدید می تواند نتایج واقعی در جهان با استفاده از داده های دنیای واقعی تولید کند؟ برای مثال، ساخت داده های پیچیده به صورت آسان تر برای تجزیه و تحلیل.

آیا این تکنیک ها به اندازه کافی خوب بود تا تقریبا 30 سال از روش های کلاسیک ضرب و شتم داشته باشند؟ ” “این چیزی است که ما باید در سال های آینده ایجاد کنیم.”

تاریخ عضویت : ۰۷ مهر ۱۳۹۹

راه آسان‌تری برای ارتباط با کاربران‌مان پیدا کرده‌ایم :) عضویت در کانال

چنانچه دیدگاهی توهین آمیز باشد و متوجه اشخاص مدیر، نویسندگان و سایر کاربران باشد تایید نخواهد شد.

چنانچه دیدگاه شما جنبه ی تبلیغاتی داشته باشد تایید نخواهد شد.

چنانچه از لینک سایر وبسایت ها و یا وبسایت خود در دیدگاه استفاده کرده باشید تایید نخواهد شد.

چنانچه در دیدگاه خود از شماره تماس، ایمیل و آیدی تلگرام استفاده کرده باشید تایید نخواهد شد.

چنانچه دیدگاهی بی ارتباط با موضوع آموزش مطرح شود تایید نخواهد شد.