Международная группа ученых рассказала о будущем машинного обучения.
©Wikipedia
Обычно мы рассматриваем информацию как некий абстрактный или виртуальный объект. Однако храниться эта информация должна на физическом носителе. Поэтому работа устройств, предназначенных для ее обработки, регулируется законами физики. Физические пределы способности машин к обучению также подчиняются этим законам. Самая известная физическая теория – квантовая, и при определении абсолютных пределов способностей компьютера к обучению нужно обращаться именно к ней.
Квантовый алгоритм – это многоступенчатая процедура, выполняемая на квантовом компьютере для решения той или иной проблемы, например поиска в базе данных. Программное обеспечение для квантового машинного обучения использует квантовые алгоритмы для обработки информации, и делает это способом, недоступным для классического компьютера.
Это открывает совершенно новые возможности и перспективы, которые могут превзойти самые известные классические алгоритмы, использующиеся в машинном обучении. Эффект, которого удается достичь с помощью квантовых компьютеров, называется «квантовым ускорением машинного обучения».
Методы машинного обучения используют математические алгоритмы для поиска определенных паттернов в больших массивах данных. Машинное обучение широко используется в биотехнологиях, фармацевтике, практической физике и многих других областях. Благодаря способности адаптироваться к новым данным, машинное обучение сильно превосходит способности людей. Несмотря на это, с некоторыми сложными задачами машинное обучение пока справиться не может. Ожидается, что квантовое ускорение станет возможным для множества задач машинного обучения, начиная от оптимизации и заканчивая глубинным обучением нейронных сетей.
В статье, опубликованной в журнале Nature, международная группа ученых под руководством сотрудника Сколтеха Якоба Биамонте (Jacob Biamonte) рассказывает о том, какие шаги надо предпринять, чтобы квантовое ускорение машинного обучения стало возможным на практике. Согласно мнению ученых квантовое машинное обучение может увеличить скорость и точность ряда базовых алгоритмов классического машинного обучения.
Дело в том, многие модели классического машинного обучения (в частности, глубинное обучение) основаны на классической симуляции систем, состоящих из большого количества двухуровневых подсистем (каждая из таких подсистем может находиться в одном из двух состояний). У этой математической конструкции есть прямой физический аналог – спиновые системы Изинга, хорошо известные в квантовой и статистической физике. Квантовая механика позволяет увеличить производительность систем Изинга (т.н. больцмановских машин или машин глубинного обучения).
Возможность использования квантовых компьютеров в машинном обучении привлекает в последнее время все больше внимания на фоне быстрорастущей мощности квантовых компьютеров. Эта возможность оказалась довольно неожиданной для физиков. Многие ученые полагают, что одной из основных задач квантового компьютера будет моделирование процессов химической физики для фармацевтической промышленности с целью открытия новых лекарств.
Сейчас становится ясно, что определенные модели машинного обучения, в особенности глубинного обучения, имеют свой квантовый эквивалент. Квантовое машинное обучение может быть использовано в тандеме с уже известными в квантовой теории информации методами, применимыми в квантовой химии. Это откроет новые возможности в наступающей эре квантовых технологий.
«Наша команда дискутировала по скайпу до поздней ночи, к какой области науки отнести наше исследование. Мы многократно переписывали нашу статью, меняли основную мысль, в конечном счете написали три версии за 8 месяцев, не имеющие между собой ничего общего, кроме названия – в итоге отправили конечный вариант в журнал Nature», – рассказывает Якоб Биамонте.
