محققان شرکت محاسبات کوانتومی Terra Quantum با استفاده از روش جدیدی که بهترین ویژگی‌های کامپیوترهای کلاسیک و کوانتومی را با هم ترکیب می‌کند، راه بهتری برای آموزش مدل‌های یادگیری ماشینی نشان داده‌اند. این خبر خوبی برای یادگیری ماشین کوانتومی است، حوزه ای که به دلیل محدودیت های سخت افزار کامپیوتر کوانتومی موجود با چالش هایی مواجه است.
کامپیوترهای کلاسیک و کوانتومی هر دو می توانند مدل های یادگیری ماشینی را آموزش دهند که شامل حل معادلات در فضاهای با ابعاد بالا می شود. مدل های پیچیده دارای مناطق منحنی و ناهموار در این فضاهای ریاضی هستند. کامپیوترهای کلاسیک می توانند معادلات را در نواحی ناهموار اداره کنند، اما در تقریب مناطق منحنی بدون توابع گام به گام تلاش می کنند. به گفته الکسی ملنیکوف، محقق اصلی در Terra، از سوی دیگر، کامپیوترهای کوانتومی که توسط توابع موج هدایت می شوند، در حل منحنی ها در فضای چند بعدی عالی هستند. با این حال، کامپیوترهای کوانتومی در حل نواحی با لبه های ناهموار ناکارآمد هستند.
این تکنیک جدید که شبکه های ترکیبی موازی نام دارد، از توانایی تکنیک شبکه عصبی برای ترکیب نتایج از مراحل مختلف آموزشی در یک مدل واحد استفاده می کند. شبکه های عصبی وظیفه آموزش مدل های یادگیری ماشینی را بین ماژول های نرم افزاری مختلف تقسیم می کنند. هر ماژول در مورد یک ویژگی متفاوت از مجموعه داده یاد می گیرد و با هم مدل شبکه عصبی را تشکیل می دهند. دیدگاه کلیدی از این تحقیق این است که وقتی به کامپیوترهای کلاسیک و کوانتومی مجموعه داده یکسانی داده می‌شود و اجازه آموزش مدل‌ها به صورت موازی داده می‌شود، مدل نهایی – ترکیبی از این دو – می‌تواند به نتایج بهتری دست یابد، همانطور که ملنیکوف، یکی از نویسندگان این مقاله بیان کرد.
آیا کامپیوتر های کوانتومی برای توسعه یادگیری ماشینی به اندازه کافی مناسب هستند؟
کوانتوم برای همه چیز مناسب نیست، کلاسیک برای همه چیز مناسب نیست، اما وقتی با هم ترکیب شوند، یکدیگر را تقویت می کنند.
ملنیکوف می‌گوید: «ما مشاهده کردیم که کلاسیک برای تغییرات گام‌به‌گام و ناگهانی به خوبی کار می‌کند، در حالی که کوانتوم با قطعات هارمونیک و صاف سازگار است.
یک چالش برای کاربران شبکه های ترکیبی موازی این است که قدرتمندترین کامپیوتر کوانتومی، با ۴۳۳ بیت کوانتومی (کیوبیت) تا به امروز، هنوز برای تأثیرات قابل توجه بر روی کارهایی مانند شکستن رمزگذاری استاندارد، بسیار پر سر و صدا و مستعد خطا است. Terra Quantum با استفاده از کامپیوترهای تخصصی کلاسیک با کارایی بالا برای شبیه سازی کامپیوترهای کوانتومی به این موضوع می پردازد. این امکان پذیر است زیرا لایه نرم افزار، از جمله الگوریتم های یادگیری ماشینی، می تواند بدون نگرانی کاربران در مورد سخت افزار زیرین اجرا شود. کامپیوترهای Terra Quantum برای تقلید از کامپیوترهای کوانتومی طراحی شده اند.
ملنیکوف کاربرد رویکرد جدید یادگیری ماشین ترکیبی را برجسته می کند، به ویژه در مدل سازی موقعیت های دنیای واقعی . محققان این روش را برای مدل‌سازی انتشار گاز در یک نیروگاه حرارتی سوزاندن زباله، به کار بردند، جایی که پیش‌بینی انتشار گازهای گلخانه‌ای، بدون ارتباط واضح با پارامترهایی مانند جریان هوا و ورودی زباله، چالش برانگیز است.
با افزودن یک لایه شبکه عصبی کوانتومی به یک مدل کلاسیک موجود، محققان میزان خطای مدل را به یک سوم آنچه که بدون کوانتوم رخ می دهد کاهش دادند. به گفته ملنیکوف، این مدل می تواند اپراتورهای نیروگاه را از قبل در مورد مسائل احتمالی آگاه کند و به جای تعطیلی پرهزینه و ناکارآمد، اقدامات اصلاحی را امکان پذیر کند.
اگرچه این زمینه هنوز نوپا است، تکنیک جدید مزایای بالقوه یادگیری ماشین را در رایانه های کوانتومی نشان می دهد. ملنیکوف می گوید: کوانتوم برای همه چیز خوب نیست، کلاسیک برای همه چیز خوب نیست، اما با هم یکدیگر را بهبود می بخشند. “و این دستور العمل خاصی را ارائه می دهد.”
