Derin Öğrenme (denetimli ve denetimsiz makine öğrenimi görevlerinde kullanılan yapay sinir ağlarının çoklu katmanları), en zor makine öğrenimi görevlerinin çoğu için inanılmaz derecede güçlü bir araçtır: görüntü tanıma, video tanıma, konuşma tanıma, vb. ve Kuantum Hesaplama genellikle bazı çok zor hesaplama görevleri için bir oyun değiştirici olarak kabul edilir, ikisini birleştirmek için herhangi bir hareket olup olmadığını merak ediyorum.

• Derin bir öğrenme algoritması kuantum bilgisayarda çalışabilir mi?
• Denemek mantıklı mı?
• Derin öğrenmeyi ilgisiz kılacak başka kuantum algoritmaları var mı?

1. Evet, tüm klasik algoritmalar kuantum bilgisayarlarda çalıştırılabilir, ayrıca arama içeren herhangi bir klasik algoritma , grovers algoritması kullanılarak artış elde edebilir. Akla gelen bir örnek, sinir ağı parametrelerinin ince ayarını "katsayı arama" problemi olarak ele almaktır.$\sqrt{\text{original time}}$

2. Aslında bazı süreçlerde açık hesaplama kazançları vardır: evet.

3. Bildiğim kadarıyla hayır. Ancak daha fazla uzmanlığa sahip biri isterse buraya girebilir. Akla gelen tek şey: kimya ve fizik problemlerini incelemek için Derin Öğrenme ve diğer Yapay Zeka formlarını kullanabiliriz çünkü simülasyon pahalı veya pratik değildir. Bu alanda, Kuantum Bilgisayarlar, kuantum sistemlerini (Nükleer Kimya'daki gibi) doğal olarak gerçek zamanlı veya daha hızlı bir şekilde doğal olarak simüle etme yetenekleri göz önüne alındığında, klasik atalarını katletecektir.

Onunla en son konuştuğumda, Mario Szegedy tam olarak bununla ilgileniyordu, muhtemelen şu anda üzerinde çalışan çok fazla araştırmacı var.

Bu çok açık bir soru, ama evet, bu cephede önemli miktarda çalışma yapılıyor.

Bazı açıklamalar

Her şeyden önce, makine öğrenimini (ve özellikle derin öğrenmeyi) kuantum mekaniği / kuantum hesaplama ile birleştirmenin iki ana yolu olduğunu belirtmek gerekir:

$\to$

Kuantum mekaniği / kuantum bilgisi / kuantum hesabı bağlamında ortaya çıkan problemleri çözmek için klasik makine öğrenme tekniklerini uygular . Bu alan, iyi bir referans listesi bile denemek için çok hızlı büyüyor, bu yüzden bu yönde en son birkaç esere bağlayacağım : 1803.04114'te yazarlar, çakışmayı hesaplamak için devreleri bulmak için bir makine öğrenme yaklaşımı kullandılar iki durum arasında (aynı yönde bir dizi başka eser vardır) ve 1803.05193'te yazarlar kuantum kontrol düzeltme şemalarını bulmak için derin sinir ağlarının nasıl kullanılabileceğini araştırdılar .

$\to$

Klasik makine öğrenme algoritmalarının" kuantum genellemelerini "aramak için kullanılan büyük verileri analiz etmek için kuantum algoritmalarının incelenmesi. Bu konuyla ilgili bazı temel referansları almakiçin bu diğer yanıma bir göz atabilirsiniz. Daha spesifik durumu için derin öğrenme , içinde 1412.3489 (zaten adı Kuantum Derin Öğrenme ) Yazarlar bir yöntem (etkin bir kuantum algoritması) önerecek genellikle hız-up derin, eğitim kısıtlı Boltzmann makineleri . Buradaki başka bir ilgili referans, yazarların kuantum Boltzmann makinelerini eğitmek için düşük derinlikli bir kuantum algoritması geliştirdikleri 1712.05304'tür . Bkz. 1708.09757ve bununla ilgili çok daha fazla eser bulmak için bağlantılı cevaptaki referanslar. Bu çalışmalarda iddia edilen hızlanmanın üstel hızlanmalardan polinom olanlara kadar çılgınca değişebileceğini unutmayın.

Bazen hızlanma, belirli lineer cebirsel problemleri çözmek için kuantum algoritmalarının kullanılmasından kaynaklanır (örneğin ( 1707.08561 ) ' deki Tablo 1'e , bazen temelde Grover'ın aramasının (varyasyonlarının) kullanımına (varyasyonlarına) ve bazen diğerlerinden şeyler (ama çoğunlukla bu iki) Dunjko ve Briegel kimden Alıntı. burada :

ML için kuantum geliştirmeleri için fikirler kabaca iki gruba ayrılabilir: a) en fazla karesel hızlanma elde etmek için Grover'ın arama ve genlik amplifikasyonuna dayanan yaklaşımlar ve b) ilgili bilgileri kuantum genliklerine kodlayan yaklaşımlar ve hatta üstel iyileştirmeler için bir potansiyele sahiptir. İkinci yaklaşım grubu, belki de kuantum ML'de en gelişmiş araştırma çizgisini oluşturur ve kuantum ML önerilerinde kullanılan bir bolluk kuantum araçlarını, en önemlisi kuantum doğrusal cebiri toplar.

Üç soruya daha doğrudan cevap

Yukarıdakileri söyledikten sonra, yükselttiğiniz üç noktayı daha doğrudan cevaplayayım:

1. Derin bir öğrenme algoritması kuantum bilgisayarda çalışabilir mi? Kesinlikle evet: Klasik bir bilgisayarda bir şey çalıştırabilirseniz, kuantum bilgisayarlarda yapabilirsiniz. Bununla birlikte, sorulması gereken soru, kuantum (derin) bir makine öğrenme algoritmasının klasik meslektaşlardan daha verimli olabileceğidir ? Cevabı bu soruya daha dikkat ister. Muhtemelen evet , bu yönde birçok teklif var, ancak neyin işe yarayıp yaramayacağını söylemek için çok erken.

2. Denemek mantıklı mı? Evet!

3. Derin öğrenmeyi ilgisiz kılacak başka kuantum algoritmaları var mı? Bu kesinlikle " alakasız " ile ne demek istediğinize bağlıdır . Demek istediğim, şu anda bilinenler için, derin öğrenmeyi “ilgisiz” yapacak klasik algoritmalar olabilir .

İşte Xanadu, taklit bir sinir ağı bir fotonik kuantum devresinden bir son gelişmedir. Bu, kuantum bilgisayarda çalışan bir sinir ağına bir örnektir.

Bu fotonik devre, bir NN'nin tartım fonksiyonlarını taklit eden interferometreler ve sıkma kapıları, sapma olarak hareket eden bir yer değiştirme kapısı ve bir NN'nin ReLU fonksiyonuna benzer doğrusal olmayan bir dönüşüm içerir.

Bu devreyi ayrıca kuantum halleri üretmek ve ayrıca kuantum kapıları uygulamak için ağı eğitmek için kullandılar.

İşte devreyi eğitmek için kullanılan yayınları ve kodları . İşte devrelerini açıklayan orta bir makale .

Buradaki tüm cevaplar temel bir pratik sınırlamayı göz ardı ediyor gibi görünüyor:

Derin Öğrenme özellikle büyük verilerle en iyi şekilde çalışır. MNIST 60000, ImageNet 14 Milyon görüntüdür.

Bu arada, şu anda en büyük kuantum bilgisayarlarda 50 ~ 72 Qbit var.

En iyimser senaryolarda bile, Derin Öğrenme algoritmaları gerektiren veri hacimlerini işleyebilen kuantum bilgisayarlar daha yakın zamanda daha geleneksel modelleme yöntemleri olmayacak.

Dolayısıyla, QC'yi Deep Learning'e uygulamak hoş bir teorik merak olabilir, ancak yakında pratik olacak bir şey değil.