Gibt es eine mögliche Anwendung von Quantencomputern beim maschinellen Lernen oder bei der KI?

Viele Menschen glauben, dass sich Quantencomputer als entscheidender Schritt bei der Entwicklung neuer Algorithmen für maschinelles Lernen und KI herausstellen können, die dem Feld einen enormen Schub verleihen können. Es hat sogar Studien gegeben, wonach unser Gehirn ein Quantencomputer sein könnte, aber bisher besteht unter den Forschern kein Konsens.

Da ich in diesem Bereich völlig neu bin, wollte ich wissen, ob in Bezug auf die Anwendung von Quantencomputern in der KI Forschungsarbeiten durchgeführt wurden, die theoretisch bei bestimmten Aufgaben eine bessere Leistung erbringen oder schneller konvergieren als moderne Deep-Learning-Algorithmen.

Ich werde nur auf den Teil der Frage antworten, wie die Quantenmechanik für die Analyse klassischer Daten durch maschinelles Lernen nützlich sein kann. Es gibt auch Arbeiten im Zusammenhang mit "Quanten-KI", aber das ist eine viel spekulativere (und weniger definierte) Sache, auf die ich nicht eingehen möchte.

Können Quantencomputer verwendet werden, um die Datenanalyse über maschinelle Lernalgorithmen zu beschleunigen ? Zitat von Scott Aaronson Lesen Sie das Kleingedruckte , das ist eine einfache Frage mit einer komplizierten Antwort .

Zunächst ist anzumerken, dass der Versuch, diese Art von Frage zu beantworten, ein großer Teil des Forschungsbereichs des Quantenmaschinellen Lernens ist (in jüngerer Zeit scheinen die Begriffe quantenverstärktes maschinelles Lernen oder quantenunterstütztes maschinelles Lernen vorzuziehen sich auf diese Verschmelzung von QM und ML zu beziehen, um sie von der Verwendung von ML zur Lösung von Problemen im QM zu unterscheiden). Wie Sie auf der Wikipedia-Seite sehen können, gibt es auf diesem Gebiet viele Dinge, und es wäre sinnlos, hier eine umfassende Liste relevanter Artikel zu erstellen, da diese schnell veraltet wären.

Zitat von Schuld et al. 2014 lautete die Idee hinter QAML ( Quantum-Assisted Machine Learning ) wie folgt:

Da das Volumen der global gespeicherten Daten jährlich um rund 20% zunimmt (derzeit in der Größenordnung von mehreren hundert Exabyte [1]), steigt der Druck, innovative Ansätze für maschinelles Lernen zu finden. Eine vielversprechende Idee, die derzeit in der Wissenschaft und in den Forschungslabors führender IT-Unternehmen untersucht wird, nutzt das Potenzial des Quantencomputers, um klassische Algorithmen für maschinelles Lernen zu optimieren.

Zurück zu Ihrer Frage, eine erste scheinbar positive Antwort lieferten Harrow et al. 2009 wurde ein effizienter Quantenalgorithmus zum Invertieren des linearen Gleichungssystems (unter einer Reihe von Bedingungen über das System) entwickelt, der funktioniert, wenn die Daten in Quantenzuständen gespeichert werden. Da dies eine grundlegende lineare Algebraoperation ist , führte die Entdeckung zu vielen vorgeschlagenen Quantenalgorithmen zur Lösung von Problemen des maschinellen Lernens durch einige derselben Autoren ( 1307.0401 , 1307.0411 , 1307.0471 ) sowie durch viele andere. Es gibt jetzt viele Rezensionen, die Sie einsehen können , um umfassendere Referenzlisten zu erhalten, z. B. 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561, 1708.09757 , Peter Witteks Buch und wahrscheinlich mehr.

Es ist jedoch noch lange nicht geklärt, wie dies in der Praxis funktionieren würde. Einige der Gründe sind in Aaronsons Artikel gut erklärt: Lies das Kleingedruckte (siehe auch veröffentlichte Version: nphys3272 ). Grob gesagt besteht das Problem darin, dass Quantenalgorithmen im Allgemeinen "Daten" verarbeiten, wie sie in Quantenzuständen gespeichert sind, und Vektoren häufig in die Amplituden des Zustands codieren. Dies ist zum Beispiel beim QFT der Fall , und es ist immer noch der Fall bei HHL09 und abgeleiteten Werken.

Das große Problem (oder eines der großen Probleme) dabei ist, dass es alles andere als offensichtlich ist, wie Sie die "großen" klassischen Daten zur Verarbeitung effizient in diesen Quantenzustand laden können. Die typische Antwort auf diese Frage lautet: "Wir müssen nur ein qRAM verwenden ". Dies ist jedoch mit zahlreichen Einschränkungen verbunden, da dieser Prozess sehr schnell sein muss, um die exponentielle Beschleunigung aufrechtzuerhalten, die wir jetzt erreichen können, wenn die Daten vorliegen Quantenform. Ich verweise erneut auf Aaronsons Artikel, um weitere Einzelheiten zu den Vorbehalten zu erfahren.

Es gibt Argumente dafür, dass unser Gehirn quantenmechanisch ist, und Argumente dagegen, das ist also ein heiß diskutiertes Thema. Fisher von der UCSB hat einige spekulative Überlegungen angestellt, wie Gehirne Quanteneffekte nutzen könnten, obwohl sie nicht quantenmechanischer Natur sind. Obwohl es keine direkten experimentellen Beweise gibt, gibt es zwei Referenzen, die Sie vielleicht lesen möchten:

• Quantenkognition: Die Möglichkeit der Verarbeitung mit Kernspins im Gehirn

• Sind wir Quantencomputer oder nur clevere Roboter?

Nun hat Rigetti Computing zum Thema Quantencomputing und maschinelles Lernen einen Clustering-Algorithmus unter Verwendung ihrer Quantenchip-Prototypen (19 Qubits) demonstriert. Ihre Ergebnisse veröffentlichten sie in einem Whitepaper auf arXiv.org hier:

• Unüberwachtes maschinelles Lernen auf einem hybriden Quantencomputer

Es besteht also eindeutig die Möglichkeit, das maschinelle Lernen und schließlich die KI mithilfe von Quantencomputern voranzutreiben.

Ein Großteil der bisher mit Quantencomputern geleisteten Arbeit konzentrierte sich auf die Lösung kombinatorischer Optimierungsprobleme. Sowohl Quantum Annealer im D-Wave-Stil als auch die neueren Gate Model-Maschinen von Rigetti, IBM und Google haben Probleme bei der kombinatorischen Optimierung gelöst.Ein vielversprechender Ansatz für die Verknüpfung von maschinellem Lernen und Quantencomputing besteht darin, Optimierungsprobleme bei Standardaufgaben für maschinelles Lernen zu finden.

Zum Beispiel das kürzlich erschienene Rigetti Paper Unsupervised Machine Learning auf einem hybriden Quantencomputer das Problem des unüberwachten maschinellen Lernens, bei dem Daten in zwei Gruppen zusammengefasst werden, die auch als 2-Mittel-Clustering bezeichnet werden, im Wesentlichen in das kombinatorische Optimierungsproblem von MaxCut umgewandelt. Die Leute bei Rigetti lösen dann das MaxCut-Problem mit dem Quantum Approximate Optimization Algorithm (QAOA).

Ich würde in Zukunft mehr von dieser Art der Arbeit erwarten, insbesondere angesichts der natürlichen Zusammenhänge zwischen Optimierung und maschinellem Lernen.