Artificiell intelligens avser, bland annat, till maskiners förmåga att visa någon grad av vad människor anser vara "intelligens". Denna process drivs av den snabba utvecklingen av maskininlärning:att få maskiner att tänka själva istället för att förprogrammera dem med ett absolut koncept.

Ta bildigenkänning. Människor är utmärkta i denna uppgift, men det har visat sig vara svårt att simulera på konstgjord väg. Att träna en maskin att känna igen en katt betyder inte att ange en bestämd definition av hur en katt ser ut. Istället, många olika bilder av katter matas in; syftet är att datorn lär sig att destillera det underliggande "kattliknande" mönstret av pixlar.

Detta beroende av data är ett kraftfullt träningsverktyg. Men det kommer med potentiella fallgropar. Om maskiner är tränade att hitta och utnyttja mönster i data, i vissa fall, de förevigar bara loppet, köns- eller klassfördomar som är specifika för nuvarande mänsklig intelligens.

Men den databehandlingsanläggning som är inneboende i maskininlärning har också potential att generera applikationer som kan förbättra människors liv. "Intelligenta" maskiner kan hjälpa forskare att mer effektivt upptäcka cancer eller bättre förstå mental hälsa.

De flesta framstegen inom maskininlärning har hittills varit klassiska:teknikerna som maskiner använder för att lära sig följer den klassiska fysikens lagar. Data de lär sig av har en klassisk form. Maskinerna som algoritmerna körs på är också klassiska.

Vi arbetar inom det framväxande området kvantmaskininlärning, som undersöker om den gren av fysiken som kallas kvantmekanik kan förbättra maskininlärning. Kvantmekanik skiljer sig från klassisk fysik på en grundläggande nivå:den handlar om sannolikheter och gör en princip av osäkerhet. Kvantmekaniken utökar också fysiken till att omfatta intressanta fenomen som inte kan förklaras med klassisk intuition.

Från klassiskt till kvant

Kvantmekanik är en gren av fysiken som försöker förstå och tillämpa matematiska, verifierbara regler för naturens beteende i den minsta änden av spektrumet - på skalan av atomer, elektroner och fotoner. Det utvecklades först i början av 1900-talet, och har varit mycket framgångsrik i att beskriva system på mikroskopisk nivå.

Den grundläggande klyftan mellan kvantvärlden och den klassiska världen har populariserats av Schrodingers katt-tankeexperiment. I det, en katt är förseglad i en låda tillsammans med en flaska med gift och en radioaktiv atom. Frisättningen av giftet - och kattens liv - beror på atomens förfall.

Kvantmekaniken gör att atomen kan beskrivas som samtidigt sönderfallen eller oavbrutet tills en mätning tvingar den till ett exakt tillstånd. Men det bör då följa att katten kan beskrivas som både död och levande på samma gång tills lådan öppnas och kattens tillstånd säkerställts. Paradoxen illustrerar svårigheten att tillämpa kvantregler på klassiska objekt.

Detta är en av de mer fascinerande möjligheterna som finns i kvantteorin:att det är möjligt för ett kvantsystem att vara i mer än ett tillstånd samtidigt – ett fenomen som beskrivs som en superposition – tills det systemet mäts.

Kvantberäkning

Det finns flera sätt på vilka maskininlärning kan göras kvantum. Av dessa, det är kapplöpningen att skapa en kvantdator som har dominerat den populära pressen och sett utvecklingen av utmanare som D-Wave-datorn och IBM Quantum Experience.

Kvantdatorers värde skulle ligga i deras förmåga att bearbeta information och utföra beräkningsuppgifter annorlunda, och i vissa fall snabbare, än klassiska datorer.

Trots kommersiellt intresse, ingen av utmanarna är en direkt framgång ännu. Det beror på att de fenomen de drar ifrån i kvantmekaniken, såsom superpositionstillstånd, är känsliga och benägna att förstöras.

Andra grenar av kvantmaskininlärning fokuserar på hur kvantteorin kan informera om metoderna som datorer använder för att lära sig, eller data de lär sig av, samt finjustera verktygen och teknikerna för klassisk maskininlärning i ett kvantramverk.

Även om mätbara resultat fortfarande mestadels ligger inom teorins område, kvantmaskininlärning har vardagliga konsekvenser för vanliga människor. Det har länge förutspåtts att processorkraften hos kvantdatorer skulle kunna göra nuvarande krypteringstekniker som används i bankverksamhet eller andra onlinetransaktioner ineffektiva.

På senare tid, kvantmaskininlärningstekniker som annealing har visat affärslöfte genom att optimera avkastningen på finansiella tillgångar eller beräkningen av kreditbetyg.

Kvanttekniker inom maskininlärning kommer sannolikt också att bli viktiga inom medicinsk teknik eller läkemedelsdesign eftersom principerna som ligger till grund för kemi i grunden är kvant. ProteinQure, ett bioteknikföretag som grundades 2017, använder redan delar av kvantberäkningar för att konstruera nya terapier.

Teknik för kvantmaskininlärning kommer sannolikt att ha långtgående effekter på många av de teknologier vi har vant oss vid, från flyg till jordbruk, med företag som Lockheed Martin, NASA och Google redan ombord.

Kvantmaskininlärning i Afrika

Kvantmaskininlärning är en spännande, snabbt växande fält. Ett antal nystartade företag har etablerats som syftar till att fullända processen och leverera skalbara kvantenheter.

Akademiker och universitetsforskare arbetar också för att utnyttja potentialen i kvantmaskininlärning. Vi är bland dem. University of KwaZulu-Natals kvantforskargrupp undersöker både hur kvantteori kan förbättra maskininlärning och hur maskininlärningstekniker kan ge information om kvantteori.

Dr Maria Schuld, vem som ingår i gruppen, delade nyligen rubriker med IBM och amerikanska universitetet MIT för ett viktigt framsteg inom kvantförbättringen av kärnbaserade maskininlärningsmetoder.

Denna artikel publiceras från The Conversation under en Creative Commons -licens. Läs originalartikeln.