머신 러닝 또는 AI에 퀀텀 컴퓨터를 적용 할 가능성이 있습니까?

많은 사람들이 양자 컴퓨터가 새로운 머신 러닝과 인공 지능 알고리즘을 만드는 데있어 중요한 단계가 될 수 있다고 믿고 있습니다. 우리의 뇌가 양자 컴퓨터일지도 모른다는 연구가 있었지만, 지금까지 연구자들 사이에는 합의가 이루어지지 않았습니다.

필자가이 분야에 완전히 익숙하지 않다는 사실을 감안할 때 이론적으로 말하면 현대 딥 러닝 알고리즘보다 일부 작업에서 더 나은 성능을 발휘하거나 더 빨리 수렴 할 수있는 AI의 양자 컴퓨터 응용 프로그램에 대한 연구가 있는지 알고 싶었습니다.

양자 역학이 기계 학습을 통해 고전적인 데이터를 분석하는 데 어떻게 유용 할 수 있는지에 대한 질문의 일부에 대해서만 답할 것입니다. "quantum AI"와 관련된 작품도 있지만 훨씬 더 투기적인 (그리고 덜 정의 된) 종류의 것입니다.

따라서 양자 컴퓨터를 사용하여 기계 학습 알고리즘을 통해 데이터 분석 속도를 높일 수 있습니까? 인용 스콧 애런 슨의 읽기 미세 인쇄 용지, 복잡화 대답 간단한 질문입니다 .

우선 이런 종류의 질문에 대답하는 것은 Quantum Machine Learning 의 연구 영역에 관한 것의 큰 부분입니다. (보다 최근에는 양자 강화 기계 학습 또는 양자 보조 기계 학습 이라는 용어 가 선호되는 것 같습니다 이 QM과 ML의 병합을 참조하여 QM의 문제를 해결하기 위해 ML을 사용하는 것과 구별합니다. Wikipedia 페이지에서 볼 수 있듯이이 분야에는 많은 일들이 진행되고 있으며, 여기서 구식 문서가 빨리 구식이 될 것이므로 관련 논문의 포괄적 인 목록을 제공하는 것은 무의미합니다.

에서 인용 Schuld 외 알. 2014 , 뒤에 아이디어 양자를 이용한 기계 학습 (QAML)는 다음과 같다 :

전 세계적으로 저장되는 데이터의 양이 매년 약 20 % 씩 증가함에 따라 (현재 수백 엑사 바이트 정도 [1]) 머신 러닝에 대한 혁신적인 접근 방법을 찾아야하는 압력이 높아지고 있습니다. 학계와 주요 IT 회사의 연구소에서 현재 조사되고있는 유망한 아이디어는 고전적인 기계 학습 알고리즘을 최적화하기 위해 양자 컴퓨팅의 잠재력을 활용합니다.

귀하의 질문으로 돌아가서, 첫 번째 겉보기 긍정적 인 답변은 Harrow et al.에 의해 제공되었습니다 . 2009 년 , 데이터가 양자 상태로 저장 될 때 작동하는 선형 방정식 시스템 (시스템의 여러 조건 하에서)을 반전시키는 효율적인 양자 알고리즘을 제공했습니다. 이것은 기본적인 선형 대수 연산이기 때문에, 같은 저자들 ( 1307.0401 , 1307.0411 , 1307.0471 )뿐만 아니라 많은 다른 사람들에 의해 기계 학습 문제를 해결하기 위해 제안 된 많은 양자 알고리즘이 발견 되었습니다. 1409.3097 , 1512.02900 , 1611.09347 과 같이보다 포괄적 인 참조 목록을 얻기 위해 살펴볼 수있는 많은 리뷰가 있습니다. , .1707.08561, 1708.09757 , Peter Wittek 's book 등.

그러나 이것이 실제로 어떻게 작동하는지는 확립되어 있지 않습니다. 그 이유 중 일부는 잘 아 론슨의 논문에 설명되어 있습니다 : 읽기를 미세 인쇄를 (또한 게시 된 버전을 참조하십시오 nphys3272을 ). 대략적으로 말하면, 양자 알고리즘은 일반적으로 양자 상태에 저장된 "데이터"를 처리하고 종종 벡터를 상태의 진폭으로 인코딩한다는 점입니다. 예를 들어, QFT 의 경우이며, HHL09 및 파생 작품 의 경우입니다 .

이 문제의 큰 문제 (또는 큰 문제 중 하나)는 처리를 위해 "큰"클래식 데이터를이 양자 상태로 효율적으로로드 할 수있는 방법과는 거리가 멀다는 것입니다. 이에 대한 일반적인 대답은 "우리는 단지 qRAM 을 사용해야합니다 "이지만,이 과정은 데이터가 들어 오면 달성 할 수있는 기하 급수적 인 속도를 유지하기 위해 매우 빠르기 때문에 많은 경고가 따릅니다 . 양자 형태. 경고에 대한 자세한 내용은 Aaronson의 논문 을 다시 참조하십시오 .

우리의 두뇌가 양자 역학적이며 반대되는 주장이 있습니다. 그래서 그것은 뜨거운 논쟁 거리입니다. UCSB의 Fisher는 뇌가 본질적으로 양자 역학적이 아니지만 뇌가 양자 효과를 어떻게 사용할 수 있는지에 대한 추측을 가지고 있습니다. 직접적인 실험적 증거는 없지만 읽을 수있는 두 가지 참고 문헌이 있습니다.

• 양자 인식 : 뇌의 핵 스핀 처리 가능성

• 우리는 양자 컴퓨터입니까, 아니면 영리한 로봇입니까?

이제 양자 컴퓨팅 및 기계 학습을 사용하는 주제에 대해 Rigetti Computing은 프로토 타입 양자 칩 (19 qubits)을 사용하는 클러스터링 알고리즘을 시연했습니다. 그들은 arXiv.org의 백서에 자신의 연구 결과를 다음과 같이 발표했습니다.

• 하이브리드 양자 컴퓨터의 감독되지 않은 기계 학습

따라서 머신 러닝을 발전시키고 궁극적으로 양자 컴퓨팅 imho를 사용하여 AI를 발전시킬 수있는 기회가 있습니다.

지금까지 퀀텀 컴퓨터로 수행 한 많은 작업은 조합 최적화 문제 해결에 중점을 두었습니다. D-Wave 스타일 Quantum Annealers와 Rigetti, IBM 및 Google의 최신 게이트 모델 시스템은 조합 최적화 문제를 해결해 왔습니다. 머신 러닝과 양자 컴퓨팅을 연결하는 유망한 방법 중 하나는 표준 머신 러닝 작업 내에서 최적화 문제를 찾는 것입니다.

예를 들어, 하이브리드 양자 컴퓨터 의 최근 Rigetti 논문 Unsupervised Machine Learning은 본질적으로 클러스터링 데이터의 감독되지 않은 머신 러닝 문제를 2- 평균 클러스터링이라고도하는 두 그룹으로 MaxCut의 조합 최적화 문제로 재구성합니다. Rigetti의 사람들은 QAOA (Quantum Approximate Optimization Algorithm)로 MaxCut 문제를 해결합니다.

특히 최적화와 머신 러닝 사이의 자연스러운 연결을 고려할 때 앞으로 이러한 스타일의 작업을 더 많이 보게 될 것입니다.