Det finns stora förhoppningar om att quantum computings enorma processorkraft någon gång kommer att släppa loss exponentiella framsteg inom artificiell intelligens. AI-system frodas när maskininlärningsalgoritmerna som används för att träna dem ges enorma mängder data att inta, klassificera och analysera. Ju mer exakt den informationen kan klassificeras enligt specifika egenskaper, eller funktioner, ju bättre AI kommer att prestera. Kvantdatorer förväntas spela en avgörande roll för maskininlärning, inklusive den avgörande aspekten av att komma åt mer beräkningsmässigt komplexa funktionsutrymmen – de finkorniga aspekterna av data som kan leda till nya insikter.

I en ny forskningsartikel från Nature med titeln "Övervakat lärande med kvantförstärkta funktionsutrymmen, " vi beskriver att utveckla och testa en kvantalgoritm med potential att möjliggöra maskininlärning på kvantdatorer inom en snar framtid. Vi har visat att när kvantdatorer blir kraftfullare under de kommande åren, och deras kvantvolym ökar, de kommer att kunna utföra funktionskartläggning, en nyckelkomponent i maskininlärning, på mycket komplexa datastrukturer i en skala långt bortom räckhåll för även de mest kraftfulla klassiska datorerna.

Våra metoder kunde också klassificera data med hjälp av kortdjupskretsar, som öppnar en väg för att hantera avkoherens. Lika betydelsefullt, vår funktionskartläggning fungerade som förutspått:inga klassificeringsfel med våra konstruerade data, även som IBM Q -systemens processorer upplevde avkänning.

Större, Bättre bild

Funktionskartläggning är ett sätt att demontera data för att få tillgång till mer detaljerade aspekter av denna data. Både klassiska och kvantmaskininlärningsalgoritmer kan bryta ner en bild, till exempel, med pixlar och placera dem i ett rutnät baserat på varje pixels färgvärde. Därifrån kartlägger algoritmerna enskilda datapunkter icke-linjärt till ett högdimensionellt utrymme, bryta ner data enligt dess viktigaste funktioner. I det mycket större kvanttillståndsrummet, vi kan separera aspekter och funktioner i den datan bättre än vi kunde i en funktionskarta skapad av en klassisk maskininlärningsalgoritm. I sista hand, ju mer exakt att data kan klassificeras enligt specifika egenskaper, eller funktioner, ju bättre AI kommer att prestera.

Målet är att använda kvantdatorer för att skapa nya klassificerare som genererar mer sofistikerade datakartor. Genom att göra det, forskare kommer att kunna utveckla mer effektiv AI som kan, till exempel, identifiera mönster i data som är osynliga för klassiska datorer.

Vi har utvecklat en plan med nya kvantdataklassificeringsalgoritmer och funktionskartor. Det är viktigt för AI eftersom, ju större och mer mångsidig en datamängd är, desto svårare är det att separera data till meningsfulla klasser för att träna en maskininlärningsalgoritm. Dåliga klassificeringsresultat från maskininlärningsprocessen kan leda till oönskade resultat; till exempel, försämra en medicinsk enhets förmåga att identifiera cancerceller baserat på mammografidata.

Bullerproblemet

Vi fann att även i närvaro av buller, vi kunde konsekvent klassificera våra konstruerade data med perfekt noggrannhet under våra tester. Dagens kvantdatorer kämpar för att hålla sina kvantbitar i ett kvanttillstånd i mer än några hundra mikrosekunder även i en mycket kontrollerad laboratoriemiljö. Det är viktigt eftersom qubits måste förbli i det tillståndet så länge som möjligt för att kunna utföra beräkningar.

Våra algoritmer som visar hur intrassling kan förbättra AI -klassificeringsnoggrannheten kommer att finnas tillgängliga som en del av IBMs Qiskit Aqua, ett bibliotek med öppen källkod med kvantalgoritmer som utvecklare, forskare och branschexperter kan använda för att komma åt kvantdatorer via klassiska applikationer eller vanliga programmeringsspråk som Python.

Vi är fortfarande långt ifrån att uppnå Quantum Advantage för maskininlärning - den punkt där kvantdatorer överträffar klassiska datorer i sin förmåga att utföra AI -algoritmer. Vår forskning visar ännu inte Quantum Advantage eftersom vi minimerat omfattningen av problemet baserat på våra nuvarande hårdvarufunktioner, använder bara två qubits kvantberäkningskapacitet, som kan simuleras på en klassisk dator. Ändå kan de funktionskartläggningsmetoder vi utvecklar snart kunna klassificera mycket mer komplexa datauppsättningar än något en klassisk dator skulle kunna hantera. Det vi har visat är en lovande väg framåt.