딥 러닝 (감독 및 비 감독 기계 학습 작업에 사용되는 여러 층의 인공 신경망)은 이미지 인식, 비디오 인식, 음성 인식 등 가장 어려운 기계 학습 작업에 매우 강력한 도구입니다. 가장 강력한 기계 학습 알고리즘 중 하나이며 Quantum Computing은 일반적으로 매우 어려운 계산 작업을위한 게임 체인저로 간주됩니다.

• 양자 컴퓨터에서 딥 러닝 알고리즘을 실행할 수 있습니까?
• 시도하는 것이 합리적입니까?
• 딥 러닝과 관련이없는 다른 양자 알고리즘이 있습니까?

1. 예, 모든 클래식 알고리즘은 양자 컴퓨터에서 실행될 수 있으며, 검색과 관련된 모든 클래식 알고리즘은 얻을 수 있습니다.$\sqrt{\text{original time}}$

2. 실제로 일부 프로세스에는 계산상의 이점이 분명합니다. 예.

3. 내가 아는 한에서는 아니다. 그러나 더 많은 전문 지식을 가진 사람이 원한다면 여기에서 차임 할 수 있습니다. 기억해야 할 한 가지 : 시뮬레이션이 비싸거나 실용적이지 않기 때문에 종종 딥 러닝과 다른 형태의 인공 지능을 사용하여 화학 문제와 물리학을 연구 할 수 있습니다. 이 영역에서 Quantum Computers는 효과적으로 원자력 화학 시스템과 같은 양자 시스템을 효과적으로 실시간으로 또는 더 빠르게 시뮬레이션 할 수있는 능력을 갖추어 고전 조상을 학살 할 것입니다.

마지막으로 그와 이야기를 나 Mario습니다. Mario Szegedy는 이것에 정확히 관심이있었습니다. 아마도 다른 연구자들도 지금도 연구하고있을 것입니다.

이것은 매우 공개적인 질문이지만, 그렇습니다.이 분야에서 많은 양의 작업이 이루어지고 있습니다.

몇 가지 설명

우선 머신 러닝 (특히 딥 러닝)을 양자 역학 / 양자 컴퓨팅과 병합하는 두 가지 주요 방법이 있습니다.

$\to$

양자 역학 / 양자 정보 / 양자 계산의 맥락에서 발생하는 문제를 해결하기 위해 고전적인 기계 학습 기술을 적용하십시오 . 지역 :이 지역은 내가이 방향으로 가장 최근 작품의 몇 가지 링크 단지 있도록 나를 심지어 참조 괜찮은 목록을 시도 너무 빠르게 성장하고 1803.04114 저자는 중복을 계산하는 회로를 찾는 방법을 학습 기계를 사용 두 상태 사이에서 (이 같은 방향으로 다른 많은 연구가있다 ), 1803.05193 에서 저자들은 양자 제어 수정 체계를 찾는 데 깊은 신경망이 어떻게 사용될 수 있는지 연구했다.

$\to$

빅 데이터를 분석하기위한 양자 알고리즘 연구- 종종고전적인 머신 러닝 알고리즘의" 양자 일반화 "를 찾아야합니다. 이 주제에 대한 기본적인 참고 자료를 얻으려면 이 다른 대답을 살펴볼 수 있습니다. 구체적의 경우에 대한 깊은 학습 에 1412.3489 (적절라는 이름의 양자 깊은 학습 ) 저자는 방법 (효과적으로 양자 알고리즘을) 제안 일반적으로 속도 향상 깊이의 훈련 제한 볼츠만 기계 . 여기에서 또 다른 관련 참조는 1712.05304 이며, 저자는 양자 Boltzmann 기계를 훈련시키기 위해 낮은 깊이의 양자 알고리즘을 개발합니다. 1708.09757 참조링크 된 답변의 참조뿐만 아니라 이에 대한 더 많은 작품을 찾을 수 있습니다. 이 작업에서 주장되는 속도 향상은 지수 속도 향상에서 다항식 속도에 이르기까지 크게 다를 수 있습니다.

때때로 속도 증가는 특정 선형 대수 문제를 해결하기 위해 양자 알고리즘을 사용하여 발생합니다 (예 : ( 1707.08561의 표 1 참조 ). 때로는 기본적으로 Grover의 검색 (변이) 사용에 따른 것에서 발생합니다. Dunjko와 Briegel에서 인용 한 내용은 다음과 같습니다 .

ML의 양자 향상에 대한 아이디어는 크게 a) Grover의 탐색 및 진폭 증폭에 의존하여 최대 2 차 속도 향상을 얻는 방법과 b) 관련 정보를 양자 진폭으로 인코딩하는 방법의 두 그룹으로 분류 될 수 있습니다. , 기하 급수적으로 개선 될 가능성이 있습니다. 두 번째 접근 방식 그룹은 아마도 양자 ML에서 가장 발전된 연구 라인을 형성하며, 양자 ML 제안에 사용 된 과도한 양자 도구 – 특히 양자 선형 대수)를 수집합니다.

세 가지 질문에 대한 직접적인 답변

위에서 말했듯이 세 가지 요점을 더 직접적으로 대답하겠습니다.

1. 양자 컴퓨터에서 딥 러닝 알고리즘을 실행할 수 있습니까? 가장 확실하게 그렇습니다. 클래식 컴퓨터에서 무언가를 실행할 수 있다면 양자 컴퓨터에서 할 수 있습니다. 그러나 한 가지 질문은 양자 (딥) 머신 러닝 알고리즘이 기존의 것보다 더 효율적일 수 있는가? 에 대한 대답 이 질문은 까다 롭습니다. 아마도 그렇습니다 .이 방향에는 많은 제안이 있지만, 무엇이 효과가 있을지 아닌지를 말하기에는 너무 이릅니다.

2. 시도하는 것이 합리적입니까? 예!

3. 딥 러닝과 관련이없는 다른 양자 알고리즘이 있습니까? 이것은 " 무관 한"의 의미에 따라 크게 달라집니다 . 현재 알려진 바에 따르면, 딥 러닝을 "무관 한"것으로 만드는 고전적인 알고리즘이있을 수 있습니다.

다음 은 신경망을 모방 한 광자 양자 회로 인 Xanadu의 최신 개발입니다. 이것은 양자 컴퓨터에서 실행되는 신경망의 예입니다.

이 광 회로에는 간섭계 및 압착 게이트가 포함되어 있는데, 이는 NN의 계량 기능, 바이어스 역할을하는 변위 게이트 및 NN의 ReLU 기능과 유사한 비선형 변환을 모방합니다.

또한이 회로를 사용하여 네트워크를 훈련시켜 양자 상태를 생성하고 양자 게이트를 구현했습니다.

회로를 훈련시키는 데 사용되는 출판물 과 코드 는 다음과 같습니다 . 다음은 회로를 설명 하는 중간 기사 입니다.

여기에있는 모든 대답은 근본적인 실제 한계를 무시하고있는 것 같습니다.

딥 러닝은 특히 빅 데이터와 가장 잘 작동합니다. MNIST는 60000 개의 이미지이고 ImageNet은 1400 만 이미지입니다.

한편, 가장 큰 양자 컴퓨터에는 현재 50 ~ 72 Qbit가 있습니다.

가장 낙관적 인 시나리오에서도 딥 러닝 알고리즘이 필요한 대량의 데이터를 처리 할 수있는 퀀텀 컴퓨터는 더 빠른 모델링 방법이 곧 나오지 않을 것입니다.

따라서 QC를 딥 러닝에 적용하는 것은 훌륭한 이론적 호기심 일 수 있지만 곧 실용적이지 않을 것입니다.