В последние несколько лет разработка и варианты применения квантовых компьютеров постоянно расширяются. Исследователи применяют этот метод вычислений в различных областях, включая квантовую химию, исследования гидродинамики, машинное обучение, получая многообещающие результаты.
Британский стартап Cambridge Quantum Computing (CQC) продемонстрировал, что квантовые компьютеры «могут научиться рассуждать». Доктор Маттиа Фиорентини, руководитель отдела квантового машинного обучения в компании, и его команда рассмотрели использование квантовых компьютеров на предмет вариационных выводов.
Вариационный вывод — это процесс, посредством которого мы приближаем данное распределение вероятностей с помощью стохастической оптимизации и других методов обучения. Если говорить понятным языком, это означает, что квантовый компьютер выводит потенциальные ответы на поставленные вопросы. Учитывая, что трава мокрая и облачно, какова самая вероятная причина этого? Дождь или разбрызгиватели? Формально вопрос ставится так:
«Каково состояние ненаблюдаемых переменных с учётом наблюдаемых данных?» Эти выходные данные можно затем использовать в последующих задачах, таких как поиск наиболее вероятной причины с учётом имеющихся данных или прогнозирование будущих результатов и их вероятность.
Работа группы под названием «Вариационный вывод с помощью квантового компьютера» была опубликована в репозитории препринтов arXiv. Исследователи пишут о многообещающем показателе того, что квантовые компьютеры отлично подходят для вариационного вывода и для рассуждений.
Выходные данные квантового компьютера кажутся случайными. Однако можно запрограммировать квантовые компьютеры на вывод случайных последовательностей с определёнными шаблонами. Эти шаблоны дискретны и могут стать настолько сложными, что классические компьютеры не смогут их вычислить за обозримый промежуток времени. Вот почему квантовые компьютеры являются естественными инструментами для задач вероятностного машинного обучения, таких как рассуждение в условиях неопределённости.
В статье исследователи демонстрируют свои результаты по байесовским сетям. Были протестированы три различных набора задач. Во-первых, это классическая проблема облаков, разбрызгивателя и дождя. Во-вторых, было предсказание смены рыночного режима (бычий или медвежий) в скрытой марковской модели смоделированных финансовых временных рядов. В-третьих, сделать вывод о вероятных заболеваниях у пациентов с учётом некоторой информации о симптомах и факторах риска.
Используя соперничающее обучение и ядерное несоответствие Штейна, компания оптимизировала классический вероятностный классификатор и вероятностную квантовую модель, названную машиной Борна, в тандеме.
После обучения был выполнен вывод по определённым ранее трём задачам, как на квантовом симуляторе, так и на реальных квантовых компьютерах IBM Q. На усечённых гистограммах пурпурные столбцы представляют истинное распределение вероятностей, синие столбцы указывают выходные данные симулятора квантовых вычислений, а серые столбцы указывают выходные данные реального квантового оборудования от IBM Q. Результаты на реальном аппаратном обеспечении квантового компьютера испорчены шумом и это вызывает более медленные движения по сравнению с симуляцией.
Распределение вероятностей квантового симулятора очень похоже на истинное распределение вероятностей. Это означает, что квантовый алгоритм хорошо обучен и что соперничающее обучение фирмы и ядерные методы расхождения Штейна являются мощными алгоритмами для намеченной цели.
«Мы демонстрируем подход численно на примерах байесовских сетей и реализуем эксперимент на квантовом компьютере IBM. Наши методы обеспечивают эффективный вариационный вывод с распределениями, выходящими за рамки тех, которые эффективно выполняются на классическом компьютере».
Это может быть ещё одним показателем того, что «выборка из сложных распределений является наиболее многообещающим способом получения квантового преимущества с сегодняшними шумными квантовыми устройствами». Новые методы выводов «могут включать знания в предметной области». Далее компания предполагает «сочетание с другими задачами машинного обучения в генеративном моделировании или обработке естественного языка для значимого воздействия».
В общем, будущее, где вкалывают роботы, а не человек, ещё не исключено. Впрочем, пессимисты могут вспомнить о сценариях «Матрицы» и «Терминатора».
