Back

ⓘ Квантно машинско учење




Квантно машинско учење
                                     

ⓘ Квантно машинско учење

Квантно машинско учење јесте нова интердисциплинарна област на пресеку квантне физике и машинског учења. Могу се разликовати четири различита начина спајања две различите родитељске дисциплине. Алгоритми квантног машинског учења могу користити предности квантног рачунања како би побољшали класичне методе машинског учења, примера ради, развијањем ефикасних имплементација захтевних класичних алгоритама на квантном рачунару. Са друге стране, класични методи машинског учења се могу употребити у анализи квантних система. Најопштије, узима се у обзир ситуација у којој су и уређај за учење и систем који се испитује у потпуности квантни.

Повезане гране истраживања истражују методолошке и структурне сличности између одређених физичких система и система учења, посебно неуронских мрежа, што је показало да одређене математичке и нумеричке технике из квантне физике доприносе класичном машинском учењу.

                                     

1. Квантно побољшано машинско учење

Квантно побољшање машинског учења односи се на квантне алгоритме који решавају задатке машинског учења, чиме се побољшава класично машинско учење. Овакви алгоритми обично захтевају кодирање класичног скупа података у квантни рачунар, тако да исти постану доступни за квантну обраду информације. Након тога, могу се применити рутине за обраду квантних информација и резултат квантног израчунавања се очитава мерењем квантног система. На пример, исход мерења кубита може открити резултат задатка бинарне класификације. Иако су многи предлози алгоритама за квантно машинско учење и даље чисто теоретски и захтевају тестирање на универзалном квантном рачунару, други су имплементирани на квантним уређајима мале или посебне намене.

                                     

1.1. Квантно побољшано машинско учење Алгоритми квантног машинског учења засновани на Гроверовом алгоритму претраге

Још један приступ у циљу побољшања класичног машинског учења користећи квантну обраду информација користи метод појачавања амплитуда заснован на Гроверовом алгоритму претраге, за ког је показано да решава неструктуриране пробелме са квадратним убрзањем у поређењу са класичним алгоритмима. Овакве квантне рутине могу се користити за алгоритме учења који се претварају у неструктуриране алгоримте претраге, што може бити урађено, за на пример, проблем К-медијанске кластеризације и алгоритам к најближих суседа. Још једна примена јесте у квадратном убрзавању машинског учења перцептрона.

Амплитудно појачање се често комбинује са тзв. квантним ходањем како би се постигло квадратно убрзање. Квантно ходање предложено је да побољша Гуглов PageRank Algorithm да му побољша перформансе и учврсти стабилност учења.

                                     

1.2. Квантно побољшано машинско учење Појачано квантно учење

Појачано учење енг. Reinforcement learning је трећа грана машинског учења, која се разликује од надгледаног и ненадгледаног машинског учења, у којој су такође могућа квантна побољшања. У квантном побољшању ове гране машинског учења квантни агент интерагује са класичним окружењем и повремено добија награде за своје акције, што му омогућава да прилагоди своје понашање, другим речима, алгоритам учи шта треба да ради да добије што више награда. У неким ситуацијама, било због могућности квантне обраде код агента, било због могућности тестирања околине у суперпозицијама може се постићи квантно убрзање. Имплементација ових типова протокола предложене су у неким областима као што су рецимо, суперпроводна кола и сл.

                                     

1.3. Квантно побољшано машинско учење Квантне технике узорковања

Узимање узорака из расподела вероватноће великих димензија јесте у сржи широког спектра рачунарских техника са важним применама у науци, инжењерингу и друштву. Примери укључују такозвано дубоко учење енг. Deep Learning, пробабилистичко програмирање и разне друге примене машинског учења и вештачке интелигенције. Рачунски тежак проблем, који је кључан за неке релевантне задатке машинског учења, јесте процена просека над пробабилистичким моделима дефинисаним помоћу Болцманове расподеле. Узимање узорака из генеричких пробабилистичких модела је тешко; очекује се да ће алгоритми који се ослањају на ово узорковање остати непоуздани. Иако су квантни анализатори, као они дизајнирани од стране фирме D-Wave Systems, дизајнирани за решавање изазовних комбинаторних оптимизационих проблема, недавно је препознат њихов потенцијал за убрзавање процеса који се ослањају на узорковање коришћењем квантних ефеката. Неке истраживачке групе у новије време су проучавале употребу квантних техника узорковања за учење Болцманових машина и неуронских мрежа. Стандардни приступ за обуку Болцманових машина ослања се на израчунавање одрећених просечних вредности које се могу проценити стандардним техникама узорковања, као што су Markov chain Monte Carlo алгоритам и слични.



                                     

1.4. Квантно побољшано машинско учење Квантне неуронске мреже

Постоје и квантни аналогони, односно генерализација класичних неуронских мрежа, које су познате као квантне неуронске мреже.

                                     

2. Теорија квантног учења

Теорија квантног учења почива на математичкој анализи квантних генерализација класичних модела учења и могућих временских и других убрзања ових модела. Принцип је сличан принципу рачунарске теорије учења енг. Computational learning theory, али је ученик у овом случају квантни уређај за обраду података, док подаци могу бити било класични, било квантни. Квантну теорију учења треба разликовати од напредног машинског учења са квантним побољшањем, код ког је циљ да се размотре специфични проблеми и да се користе квантни протоколи како би се побољшала временска сложеност класичних алгоритама за ове проблеме. Иако се квантна теорија учења још развија, већ су добијени делимични резултати у овој области. Полазна тачка у теорији квантног учења јесте типично појам класе концепата, скупа могућих концепата. Обично, концепт јесте функција дефинисана на неком домену, као што је { 0, 1 } n {\displaystyle \{0.1\}^{n}}. На пример, класа концепата може бити скуп формула Дисјунктивне нормалне форме ДНФ са n {\displaystyle n} битова. Циљ ученика је да научи тачно или приближно непознати циљни концепт из ове класе. Ученик може активно интераговати са циљаним концептом или може од истог пасивно примати информације. У активном учењу, ученик може формирати неку врсту упита c {\displaystyle c} и исте поставити циљном концепту тражећи вредност c x {\displaystyle cx} за одабране вредности улаза x {\displaystyle x}. Ученик тада мора реконструисати тачан циљани концепт са великом вероватноћом. У моделу тачног квантног учења ученик може правити упите у квантној суперпозицији. У случају да се сложеност ученика мери бројем упита које он направи, онда тачни квантни ученици могу бити полиномијално ефикаснији у односу на класичне ученике, али не и више. Ако се сложеност мери количином времена које ученик користи, онда постоје концептуалне класе које могу ефикасно бити научене од стране квантних ученика, али не од стране класичних ученика при разумним теоријским претпоставкама. Природни модел пасивног учења је Вероватно приближно исправно учење енг. Probably approximately correct learning, PAC. Овде ученик прима случајне примере x, c x) {\displaystyle x,cx)}, где је вредност x {\displaystyle x} распоређена на основу неке непознате расподеле D {\displaystyle D}. У овом моделу циљ ученика јесте изношење хипотезне функције h {\displaystyle h} тако да је са великом вероватноћом h x = c x {\displaystyle hx=cx} када је x {\displaystyle x} изабран на основу D {\displaystyle D}. Ученик мора бити у стању да изнесе такву приближно тачну хипотезну функцију h {\displaystyle h} за сваку расподелу D {\displaystyle D} и сваки циљни концепт c {\displaystyle c} у својој концептној класи. На овом месту може се размотрити и замена случајних примера са потенцијално моћнијим квантним примерима ∑ x D x | x, c x ⟩ {\displaystyle \sum _{x}{\sqrt {Dx}}|x,cx\rangle }. У PAC моделу и сродним моделима ово неће значајно смањити број потребних примера: за сваку концептуалну класу број потребних класичних и квантних примера разликују се само за константан фактор. Међутим, за учење под неком фиксном расподелом D {\displaystyle D} квантни примери могу бити од велике помоћи, на пример за учење ДНФ-а под унифорном расподелом. Ако се разматра временска сложеност, постоји класа концепата која може бити ефикасно научена у PAC моделу користећи квантне ученике, чак и помоћу класичних примера, али не и користећи класичне ученике опет под разумним теоријским претпоставкама.

Ова пасивна врста учења је такође и најчешћа шема у надгледаном машинском учењу: алгоритам учења обично узима фиксне тренинг примере, без могућности постављања упита на необележене примере. Извођење хипотезе је корак индукције. Класично, индуктивни модел се дели на фазу тренинга и фазу примене: параметри модела се процењују у фази тренинга, па се затим научени модел примењује произвољно много пута у фази примене. У асимптотској граници броја примена, овакво раздвајање фаза је присутно са квантним ресурсима.



                                     

3. Класично учење примењено на квантне системе

Термин квантно машинско учење се такође користи за приступе који примењују класичне методе машинског учења на проучавање квантних система. Основни пример јесте употреба класичних техника учења да се обради велика количина експерименталних података у циљу карактеризације непознатог квантног система на пример у контексту квантне теорије информација и за развој квантних технологија, али постоје и друге примене истог.

Способност експерименталне контроле и припреме све сложенијих квантних система доноси са собом све већу потребу да се велики скупови података претварају у значајне информације. Ово је проблем који се у великој мери проучавао и у класичном окружењу што за последицу има да многи постојећи алгоритми машинског учења могу бити природно адаптирани у ефикасније формулације. На пример, Бајесовски методи и концепти алгоритамског учења могу бити плодно примењени на проблем класификације квантних стања.

Други проблеми на које се овај приступ може применити:

  • Идентификација тачног модела за динамику квантних система
  • Извлачење информација о непознатим стањима
  • Учење непознатих унитарних трансформација

Међутим, карактеризација квантних стања и процеса није једина примена класичних техника машинског учења. Неке додатне примене укључују:

  • Аутоматско генерисање нових квантних експеримената
  • Генерисање адаптивних шема повратних информација за квантну метрологију
  • Решавање вишеструке, статичке и временски зависне Шредингерове једначине
                                     

4. Потпуно квантно машинско учење

У општем случају квантног машинског учења, уређај за учење и систем који се испитује, као и њихова интеракција, у потпуности су квантни. Једна класа проблема која може имати профит од пуног квантног приступа јесте учење непознатих квантних стања, процеса и мерења, у смислу да се иста могу репродуковати другом квантном систему. На пример, можда се желе научити мерења која се разликују у два кохерентна стања, када немамо дате класичне описе ових стања која желимо открити, већ уместо тога скуп квантних система у овим стањима. Наиван приступ би био прво да се одреде класични описи стања па затим имплементација идеалног мерења базираног на овим информацијама. То би захтевало једино технике класичног учења. Мећутим, може се показати да је потпуни квантни приступ супериоран у овом случају. Ово се такође односи и на енг. quantum pattern matching.

Проблему учења унитарних трансформација може се приступити на сличан начин.

                                     

5. Имплементације и експерименти

Најранији експерименти су изведени коришћењем D-Wave квантног рачунара, на пример за откривање аутомобила на дигиталним сликама коришћењем убрзања неконвексном објектном функцијом извршени 2009.

После овога, уследили су многобројни експерименти на истој архитектури и водеће технолошке компаније показале су заинтересованост за потенцијал квантног машинског учења за будуће технолошке имплементације. Године 2013, Гоогле развојни центар, НАСА и Америчка универзитетска свемирска истраживачка асоцијација УСРА онсовали су Квантну лабораторију за машинско учење која истражује употребу и потенцијал адиабатског D-Wave квантног рачунара. Користећи другу технологију засновану на нуклеарној магнетној резонанци, квантна Хопфилдова мрежа је имплементирана 2009. године која мапира улазне податке и чува исте и Хамилтонијанима, што допушта могућности адиабатског квантног рачунања.

Недавно је, на основу неуро-миметичког приступа, у поље квантног машинског учења додат нови састојак, у облику тзв. квантног помпорника, квантизованог модела класичног помпорника. Овај уређај се може конструисати помоћу подесивог отпорника, слабих мерења на систему и класичног механизма преноса. Предложена је имплементација квантног помпорника у суперпроводним круговима и изведен је експеримент са квантним тачкама. Квантни помпорник би променио нелинеарне интеракције у квантној динамици која би помогла у потрази за потпуно функционалном квантном неуронском мрежом.