Интеллектуальные методы машинного обучения могут распознавать закономерности или объекты и автоматически выбирать их из наборов данных. Например, они могут выбрать те фотографии из базы данных фотографий, на которых изображены нетоксичные грибы.
В частности, с очень большими и сложными наборами данных машинное обучение может дать ценные результаты, которые люди не смогут узнать, или только с гораздо большим количеством времени. Однако для некоторых вычислительных задач даже самые быстрые компьютеры, доступные сегодня, достигают своих пределов.
Именно здесь вступает в игру большое обещание квантовых компьютеров: однажды они также будут выполнять сверхбыстрые вычисления, которые классические компьютеры не могут выполнить за полезный период времени.
Причина этого «квантового превосходства» кроется в физике: квантовые компьютеры вычисляют и обрабатывают информацию, используя определенные состояния и взаимодействия, которые происходят внутри атомов или молекул или между элементарными частицами.
Тот факт, что квантовые состояния могут накладываться и запутываться, создает основу, которая позволяет квантовым компьютерам получить доступ к существенно более богатому набору логики обработки. Например, в отличие от классических компьютеров, квантовые компьютеры не выполняют вычисления с помощью двоичных кодов или битов, которые обрабатывают информацию только как 0 или 1, а с квантовыми битами или кубитами, которые соответствуют квантовым состояниям частиц.
Ключевое отличие состоит в том, что кубиты могут реализовывать не только одно состояние – 0 или 1 – за вычислительный шаг, но также состояние, в котором оба налагаются друг на друга. Эти более общие способы обработки информации, в свою очередь, позволяют резко ускорить вычисления в определенных задачах.
Перевод классической мудрости в квантовую сферу
Эти преимущества скорости квантовых вычислений также открывают возможности для приложений машинного обучения – в конце концов, квантовые компьютеры могут вычислять огромные объемы данных, которые необходимы методам машинного обучения для повышения точности их результатов намного быстрее, чем классические компьютеры.
Однако, чтобы действительно использовать потенциал квантовых вычислений, необходимо адаптировать классические методы машинного обучения к особенностям квантовых компьютеров. Например, алгоритмы i.е. правила математических вычислений, которые описывают, как классический компьютер решает определенную задачу, должны быть сформулированы иначе для квантовых компьютеров. Разработка хорошо функционирующих «квантовых алгоритмов» для машинного обучения не совсем тривиальная задача, потому что на этом пути еще есть несколько препятствий.
С одной стороны, это связано с квантовым оборудованием. В ETH Zurich у исследователей в настоящее время есть квантовые компьютеры, которые работают с 17 кубитами (см. «ETH Zurich и PSI основали Quantum Computing Hub» от 3 мая 2021 г.). Однако, если квантовые компьютеры однажды смогут полностью реализовать свой потенциал, им могут потребоваться от тысяч до сотен тысяч кубитов.
Квантовый шум и неизбежность ошибок
Одна проблема, с которой сталкиваются квантовые компьютеры, связана с их уязвимостью к ошибкам. Сегодняшние квантовые компьютеры работают с очень высоким уровнем «шума», как на техническом жаргоне называют ошибки или помехи.
Для Американского физического общества этот шум является «основным препятствием для увеличения масштабов квантовых компьютеров."Не существует комплексного решения как для исправления, так и для устранения ошибок. Пока не найден способ создать безошибочное квантовое оборудование, а квантовые компьютеры с 50-100 кубитами слишком малы для реализации корректирующего программного обеспечения или алгоритмов.
В определенной степени приходится мириться с тем фактом, что ошибки в квантовых вычислениях в принципе неизбежны, потому что квантовые состояния, на которых основаны конкретные этапы вычислений, можно различить и количественно оценить только с вероятностями. С другой стороны, могут быть достигнуты процедуры, которые ограничивают степень шума и возмущений до такой степени, что расчеты, тем не менее, дают надежные результаты. Специалисты по информатике называют надежно работающий метод расчета «надежным» и в этом контексте также говорят о необходимой «устойчивости к ошибкам»."
Это именно то, что недавно исследовала группа исследователей под руководством Це Чжана, профессора компьютерных наук ETH и члена Центра искусственного интеллекта ETH, как-то «случайно», пытаясь обосновать надежность классических распределений с целью создания лучших системы и платформы машинного обучения.
Вместе с профессором Нана Лю из Шанхайского университета Цзяо Тонг и профессором Бо Ли из Университета Иллинойса в Урбане они разработали новый подход. Это позволяет им доказывать условия устойчивости определенных моделей квантового машинного обучения, для которых квантовые вычисления гарантированно будут надежными, а результат – правильным.
Исследователи опубликовали свой подход, который является одним из первых в своем роде, в научном журнале npj Quantum Information.
Защита от ошибок и хакеров
«Когда мы поняли, что квантовые алгоритмы, как и классические алгоритмы, подвержены ошибкам и возмущениям, мы спросили себя, как мы можем оценить эти источники ошибок и возмущений для определенных задач машинного обучения и как мы можем гарантировать устойчивость и надежность выбранных метод ", – говорит Чжикуань Чжао, постдок группы Це Чжана. "Если мы это знаем, мы можем доверять результатам вычислений, даже если они зашумлены."
Исследователи исследовали этот вопрос на примере алгоритмов квантовой классификации – в конце концов, ошибки в задачах классификации сложны, потому что они могут повлиять на реальный мир, например, если ядовитые грибы были классифицированы как нетоксичные.
Возможно, наиболее важно то, что, используя теорию проверки квантовых гипотез – вдохновленную недавней работой других исследователей по применению проверки гипотез в классической обстановке – которая позволяет различать квантовые состояния, исследователи ETH определили порог, выше которого назначения алгоритм квантовой классификации гарантированно верен, а его прогнозы – надежны.
С помощью своего метода устойчивости исследователи могут даже проверить, дает ли классификация ошибочного, шумного входа тот же результат, что и чистый, бесшумный вход. На основании своих выводов исследователи также разработали схему защиты, которая может использоваться для определения допустимости ошибок вычислений, независимо от того, имеет ли ошибка естественную причину или является результатом манипуляции в результате хакерской атаки.
Их концепция надежности работает как для хакерских атак, так и для естественных ошибок.
«Этот метод также может быть применен к более широкому классу квантовых алгоритмов», – говорит Морис Вебер, докторант Це Чжан и первый автор публикации. Поскольку влияние ошибки в квантовых вычислениях возрастает по мере увеличения размера системы, он и Чжао сейчас проводят исследования по этой проблеме. «Мы надеемся, что наши условия устойчивости окажутся полезными, например, в сочетании с квантовыми алгоритмами, разработанными для лучшего понимания электронной структуры молекул."