المهمة الأساسية لأجهزة الكمبيوتر الكمومية هي تعزيز الذكاء الاصطناعي

إن فكرة دمج الحوسبة الكمومية والتعلم الآلي في أوجها. هل يمكنها أن ترقى إلى مستوى التوقعات العالية؟

في أوائل التسعينات ، بدأت إليزابيث بيرمان ، أستاذة الفيزياء في جامعة ويتشيتا ، العمل على دمج فيزياء الكم بالذكاء الاصطناعي ، خاصة في تكنولوجيا الشبكات العصبية التي لم تكن تحظى بشعبية في ذلك الوقت. اعتقد معظم الناس أنها كانت تحاول خلط الزيت بالماء. تتذكر: "كان من الصعب علي نشرها". - قالت المجلات على الشبكات العصبية ، "أي نوع من ميكانيكا الكم هذا؟" ، وقالت المجلات في الفيزياء "ما هو نوع الشبكة العصبية هذا؟"

اليوم ، يبدو مزيجًا من هذين المفهومين أكثر شيء طبيعي في العالم. أصبحت الشبكات العصبية وأنظمة التعلم الآلي الأخرى التكنولوجيا الأكثر مفاجأة في القرن الحادي والعشرين. إن أداءهم في المهن البشرية أفضل من البشر ، ويتفوقون علينا ليس فقط في المهام التي لم يتألق فيها معظمنا على أي حال - على سبيل المثال ، في الشطرنج أو تحليل البيانات المتعمق ، ولكن أيضًا في تلك المهام التي تطور الدماغ من أجلها - على سبيل المثال ، التعرف على الوجوه وترجمة اللغة وتحديد حق المرور عند تقاطع رباعي. أصبحت هذه الأنظمة ممكنة بسبب قوة الكمبيوتر الضخمة ، لذلك ليس من المستغرب أن تبدأ شركات التكنولوجيا في البحث عن أجهزة كمبيوتر ليس أكبر فحسب ، بل تنتمي إلى فئة جديدة تمامًا.

بعد عقود من البحث ، أصبحت أجهزة الكمبيوتر الكمومية جاهزة تقريبًا لإجراء العمليات الحسابية قبل أي أجهزة كمبيوتر أخرى على الأرض. عادة ما تكون ميزتها الرئيسية هي عامل الأعداد الكبيرة - وهي عملية أساسية لأنظمة التشفير الحديثة. صحيح ، في هذه المرحلة هناك عشر سنوات على الأقل متبقية. لكن المعالجات الكمية البدائية اليوم مثالية أيضًا بشكل غامض لاحتياجات التعلم الآلي. يتعاملون مع كميات هائلة من البيانات في مسار واحد ، ويبحثون عن أنماط مراوغة غير مرئية لأجهزة الكمبيوتر الكلاسيكية ، ولا يتم إخمادها قبل بيانات غير مكتملة أو غير محددة. يقول يوهان أوترباخ ، الفيزيائي في Rigetti Computing ، شركة الحوسبة الكمومية في بيركلي ، كاليفورنيا: "هناك تكافل طبيعي بين الطبيعة الإحصائية الأساسية للحوسبة الكمومية وتعلم الآلة".

في هذا الصدد ، تحول البندول بالفعل إلى حد أقصى آخر. جوجل ، ومايكروسوفت ، وآي بي إم ، وغيرها من عمالقة التكنولوجيا الآخرين يصبون الأموال في التعلم الآلي الكمومي (CMO) وفي حاضنة بدء تشغيل مخصصة لهذا الموضوع ، تقع في جامعة تورنتو. يقول جاكوب بيامونت ، اختصاصي فيزياء الكم في معهد سكولكوفو للعلوم والتكنولوجيا: "أصبح التعلم الآلي" كلمة رنانة . "من خلال مزجها مع مفهوم" الكم "، سوف تتعلم كلمة ضخمة."

لكن مفهوم "الكم" لا يعني أبدًا بالضبط ما هو متوقع منه. على الرغم من أنك قد تقرر أن نظام KMO يجب أن يكون قويًا ، إلا أنه يعاني من متلازمة "حبس". إنه يعمل مع الحالات الكمية ، وليس مع البيانات التي يمكن قراءتها بواسطة الإنسان ، ويمكن للترجمة بين هذين العالمين تسوية جميع مزاياها الواضحة. إنه مثل iPhone X ، الذي يحتوي على جميع ميزاته الرائعة ، ليس أسرع من الهاتف القديم ، لأن الشبكة المحلية مثيرة للاشمئزاز. في بعض الحالات الخاصة ، يمكن للفيزيائيين التغلب على عنق الزجاجة I / O ، ولكن ما إذا كانت مثل هذه الحالات ستظهر عندما لا يزال حل المشكلات العملية مع MO غير واضحًا. يقول سكوت أرونسون ، اختصاصي تكنولوجيا المعلومات في جامعة تكساس في أوستن ، دائمًا ما يحاول حقًا النظر إلى الأشياء في مجال الحوسبة الكمومية: "ليس لدينا إجابات واضحة حتى الآن". "الناس حذرون جدًا بشأن مسألة ما إذا كانت هذه الخوارزميات ستعطي نوعًا من ميزة السرعة".

الخلايا العصبية الكمومية

المهمة الرئيسية للشبكة العصبية ، سواء كانت كلاسيكية أو كمومية ، هي التعرف على الأنماط. يتم إنشاؤه في صورة دماغ الإنسان وهي شبكة من وحدات الحوسبة الأساسية - "الخلايا العصبية". كل واحد منهم لا يمكن أن يكون تشغيل / إيقاف أكثر صعوبة. يراقب العصبون ناتج العديد من الخلايا العصبية الأخرى ، كما لو كان التصويت على قضايا معينة ، ويتحول إلى الوضع في حالة ما إذا كان عدد كاف من الخلايا العصبية قد صوت لصالحه. عادة ، يتم ترتيب الخلايا العصبية في طبقات. تقبل الطبقة الأولى الإدخال (على سبيل المثال ، بكسل الصورة) ، وتنشئ الطبقات الوسطى مجموعات إدخال متنوعة (تمثل الهياكل مثل الوجوه والأشكال الهندسية) ، وتنتج الطبقة الأخيرة مخرجات (وصف عالي المستوى لما يوجد في الصورة).


يتم تدريب الشبكات العصبية العميقة عن طريق تعديل أوزان اتصالاتها بأفضل طريقة لإرسال الإشارات عبر عدة طبقات إلى الخلايا العصبية المرتبطة بالمفاهيم المعممة اللازمة

ما هو مهم ، لم يتم عمل هذا المخطط بالكامل مقدمًا ، ولكن يتم تكييفه في عملية التعلم عن طريق التجربة والخطأ. على سبيل المثال ، يمكننا تغذية شبكات الصور التي تحمل علامة "قطة" أو "جرو". يقوم بتعيين تسمية لكل صورة ، ويتحقق لمعرفة ما إذا نجحت ، وإذا لم يكن كذلك ، فإنه يقوم بتصحيح الاتصالات العصبية. في البداية يعمل عن طريق الصدفة تقريبًا ، ولكن بعد ذلك يحسن النتائج ؛ بعد ، على سبيل المثال ، 10000 مثال ، بدأت في فهم الحيوانات الأليفة. يمكن أن يكون هناك مليار اتصال داخلي في شبكة عصبية خطيرة ، ويجب تعديلها جميعًا.

على الكمبيوتر الكلاسيكي ، يتم تمثيل هذه الاتصالات بمصفوفة رائعة من الأرقام ، ويعني تشغيل الشبكة إجراء حسابات المصفوفة. عادة ، يتم إعطاء هذه العمليات مع المصفوفة للمعالجة إلى شريحة خاصة - على سبيل المثال ، GPU . ولكن لا يمكن لأحد القيام بعمليات مصفوفة أفضل من الكمبيوتر الكمومي. يقول سيث لويد ، الفيزيائي في معهد ماساتشوستس للتكنولوجيا ورائد في الحوسبة الكمومية: "إن معالجة المصفوفات والنواقل الكبيرة على جهاز كمبيوتر الكم أسرع بشكل كبير".

لحل هذه المشكلة ، يمكن لأجهزة الكمبيوتر الكمومية الاستفادة من الطبيعة الأسية للنظام الكمي. لا يتم تضمين معظم السعة المعلوماتية للنظام الكمي في وحدات البيانات الفردية الخاصة به - الكيوبت ، النظير الكمي لبتات الكمبيوتر الكلاسيكي - ولكن في الخصائص المشتركة لهذه الكيوبتات. تحتوي الكوبتات معًا على أربع حالات: كل من تشغيل وإيقاف وإيقاف تشغيل وإيقاف تشغيل / تشغيل. لكل شخص وزن معين ، أو "سعة" يمكن أن يلعب دور الخلايا العصبية. إذا أضفت كيوبت ثالث ، يمكنك أن تتخيل ثمانية عصبونات. الرابع - 16. تتزايد قدرة الآلة بشكل كبير. في الواقع ، يتم تلطيخ الخلايا العصبية في جميع أنحاء النظام. عندما تقوم بتغيير حالة أربعة كيلوبتات ، فإنك تعالج 16 خلية عصبية في ضربة واحدة ، وسيتعين على الكمبيوتر الكلاسيكي معالجة هذه الأرقام واحدًا تلو الآخر.

يقدر لويد أن 60 كيلو بايت كافية لترميز كمية البيانات التي تنتجها البشرية في السنة ، وقد يحتوي 300 على المحتوى الكلاسيكي للكون بأكمله. أكبر حاسوب كمومي متوفر اليوم ، تم بناؤه بواسطة IBM و Intel و Google ، لديه حوالي 50 كيلوبايت. وهذا فقط إذا افترضنا أن كل اتساع يمثل بتًا كلاسيكيًا واحدًا. في الواقع ، السعات هي قيم مستمرة (وتمثل أعدادًا معقدة) ، وبدقة مناسبة لحل المشاكل العملية ، يمكن لكل منها تخزين ما يصل إلى 15 بت ، كما يقول آرونسون.

لكن قدرة الكمبيوتر الكمومي على تخزين المعلومات في شكل مضغوط لا تجعله أسرع. يجب على المرء أن يكون قادراً على استخدام هذه البتات. في عام 2008 ، أظهر لويد ، الفيزيائي أرام هارو من معهد ماساتشوستس للتكنولوجيا و Avinatan Hassidim ، عالم الكمبيوتر في جامعة بار إيلان في إسرائيل ، كيف يمكن إجراء انعكاس جبري مهم لمصفوفة. قاموا بتقسيمها إلى سلسلة من العمليات المنطقية التي يمكن إجراؤها على جهاز كمبيوتر الكم. تعمل خوارزمياتهم لعدد كبير من تقنيات MO. وهو لا يحتاج إلى العديد من الخطوات ، على سبيل المثال ، احتساب عدد كبير. يمكن لجهاز الكمبيوتر أداء مهمة تصنيف بسرعة قبل الضجيج - وهو عامل مقيد رئيسي في التكنولوجيا الحديثة - يمكن أن يدمر كل شيء. قال كريستان تيم من مركز الأبحاث: "قبل أن يكون لديك كمبيوتر كمي متعدد الاستخدامات ومقاوم للأخطاء ، قد تكون لديك ميزة كمومية". توماس واتسون من شركة IBM.

دع الطبيعة تحل المشكلة

حتى الآن ، تم عرض التعلم الآلي المستند إلى حوسبة المصفوفة الكمومية فقط على أجهزة الكمبيوتر التي تحتوي على أربعة كيلوبايت. تستخدم معظم النجاحات التجريبية للتعلم الآلي الكمومي نهجًا مختلفًا لا يقوم فيه النظام الكمي بمحاكاة شبكة فحسب ، بل هو شبكة. كل كيوبت مسؤول عن خلية عصبية واحدة. وعلى الرغم من عدم الحاجة إلى الحديث عن النمو الأسي ، فإن مثل هذا الجهاز يمكنه الاستفادة من الخصائص الأخرى لفيزياء الكم.

تم تصنيع أكبر هذه الأجهزة ، التي تحتوي على حوالي 2000 كيلوبايت ، بواسطة D-Wave Systems ، الواقعة بالقرب من فانكوفر. وهذا ليس بالضبط ما يتخيله الناس عند التفكير في الكمبيوتر. بدلاً من الحصول على بعض المدخلات ، وأداء سلسلة من العمليات الحسابية وإظهار الناتج ، فإنه يعمل من خلال إيجاد الاتساق الداخلي. كل كوبيت هو حلقة كهربائية فائقة التوصيل ، تعمل مثل مغناطيس كهربائي صغير ، موجه لأعلى أو لأسفل أو كلاهما لأعلى ولأسفل - أي أنه في وضع تراكب. معًا ، ترتبط الكوبتات بسبب التفاعل المغناطيسي.



لبدء هذا النظام ، تحتاج أولاً إلى تطبيق مجال مغناطيسي ذو اتجاه أفقي يقوم بتهيئة الكوبت مع نفس التراكب لأعلى ولأسفل - أي ما يعادل ورقة فارغة. هناك طريقتان لإدخال البيانات. في بعض الحالات ، يمكنك إصلاح طبقة qubit عند القيم الأولية المطلوبة ؛ في كثير من الأحيان ، يتم تضمين الإدخال بسبب التفاعلات. ثم تسمح للكيوبت بالتفاعل مع بعضها البعض. يحاول البعض الاصطفاف بنفس الطريقة ، والبعض في الاتجاه المعاكس ، وتحت تأثير المجال المغناطيسي الأفقي ، يتحولون إلى الاتجاه المفضل. في هذه العملية ، يمكنهم إجبار كيوبتات أخرى على التبديل. في البداية ، يحدث هذا في كثير من الأحيان ، نظرًا لأن العديد من الكوبيتات تقع بشكل غير صحيح. بمرور الوقت ، يهدأون ، وبعد ذلك يمكنك إيقاف الحقل الأفقي وإصلاحهم في هذا الموضع. في هذه اللحظة ، اصطفت الكوبيات في تسلسل من المواقف صعودا وهبوطا ، وهو استنتاج يعتمد على الإدخال.

ليس من الواضح دائمًا ما سيكون الترتيب النهائي للكيوبتات ، ولكن هذه هي النقطة. النظام ، الذي يتصرف بشكل طبيعي ببساطة ، يحل مشكلة يحارب عليها الكمبيوتر الكلاسيكي لفترة طويلة. يشرح هيديتوشي نيشيموري ، الفيزيائي في معهد طوكيو للتكنولوجيا الذي طور مبادئ تشغيل آلات الموجات D: "لسنا بحاجة إلى خوارزمية". - هذا نهج مختلف تمامًا عن البرمجة التقليدية. يتم حل المشكلة بطبيعتها ".

يرجع تبديل الكوبتات إلى النفق الكمومي ، والميل الطبيعي للأنظمة الكمومية إلى التكوين الأمثل ، على أفضل وجه ممكن. يمكن للمرء أن يبني شبكة كلاسيكية تعمل على المبادئ التناظرية باستخدام ارتعاش عشوائي بدلاً من حفر الأنفاق لتبديل البتات ، وفي بعض الحالات ستعمل بشكل أفضل. ولكن ، من المثير للاهتمام ، بالنسبة للمشكلات الناشئة في مجال التعلم الآلي ، يبدو أن الشبكة الكمومية تصل إلى الحد الأمثل بشكل أسرع.

الجهاز من D-Wave له عيوبه. إنه معرض للغاية للضوضاء ، وفي الإصدار الحالي لا يمكنه إجراء العديد من أنواع العمليات. لكن خوارزميات التعلم الآلي تتحمل الضوضاء في الطبيعة. إنها مفيدة على وجه التحديد لأنها تستطيع التعرف على المعنى في الواقع غير المرتبط ، وفصل القطط عن الجراء ، على الرغم من اللحظات المشتتة. قال بيرمان "إن الشبكات العصبية معروفة بمقاومتها للضوضاء".

في عام 2009 ، أظهر فريق بقيادة هارتماوث نيفن ، أخصائي تكنولوجيا المعلومات في Google ، رائد الواقع المعزز (كان مؤسسًا مشاركًا لمشروع Google Glass) ، الذي انتقل إلى مجال معالجة المعلومات الكمومية ، كيف أن النموذج الأولي المبكر لآلة من D-Wave قادر على أداء مهمة حقيقية جدًا التعلم الآلي. استخدموا الآلة كشبكة عصبية أحادية الطبقة ، وفرزوا الصور إلى فئتين: "سيارة" و "ليست سيارة" في مكتبة تضم 20000 صورة فوتوغرافية تم التقاطها في الشوارع. لم يكن للجهاز سوى 52 كيلوبت عاملة ، وهذا لا يكفي لإدخال الصورة بالكامل. لذلك ، قام فريق Niven بدمج سيارة مع جهاز كمبيوتر كلاسيكي قام بتحليل مختلف المعلمات الإحصائية للصور وحسب مدى حساسية هذه القيم للوجود في صورة السيارة - لم تكن عادةً حساسة بشكل خاص ، ولكنها اختلفت على الأقل عن تلك العشوائية. يمكن لبعض توليفة من هذه القيم أن تحدد بشكل موثوق وجود السيارة ، ولم يكن من الواضح أي تركيبة. وانخرطت الشبكة العصبية في تحديد التركيبة المطلوبة.

الفريق لديه كيوبت مرتبطة بكل قيمة. إذا تم تعيين qubit إلى قيمة 1 ، فإنها تحدد القيمة المقابلة على أنها مفيدة ؛ 0 تعني أنها لم تكن بحاجة إليها. لقد شفت التفاعلات المغناطيسية للكيوبتات متطلبات هذه المشكلة - على سبيل المثال ، الحاجة إلى مراعاة الكميات الأكثر اختلافًا فقط بحيث يكون الاختيار النهائي هو الأكثر ضغطًا. تمكن النظام الناتج من التعرف على السيارة.

في العام الماضي ، قام فريق بقيادة ماريا سبيروبولو ، أخصائية فيزياء الجسيمات في معهد كاليفورنيا للتكنولوجيا ، ودانيال ليدارا ، الفيزيائي في جامعة جنوب كاليفورنيا ، بتطبيق خوارزمية لحل مشكلة فيزياء عملية: تصنيف تصادمات البروتون في فئات بوزون هيغونات وغير بوزونات هيجز ". من خلال قصر التقديرات فقط على التصادمات التي أدت إلى ظهور الفوتونات ، استخدموا النظرية الأساسية للجسيمات للتنبؤ بخصائص الفوتون التي يجب أن تشير إلى المظهر القصير الأجل لجسيم هيجز - على سبيل المثال ، تجاوز قيمة عتبة معينة للزخم. قاموا بفحص ثمانية من هذه الخصائص و 28 مجموعة منها ، والتي أنتجت بشكل إجمالي 36 إشارة مرشح وسمحت لشريحة D-Wave بالعثور على العينة المثلى. وحدد 16 متغيرًا على أنها مفيدة ، وثلاثة على أنها الأفضل. وقال ليدار "بالنظر إلى صغر حجم مجموعة التدريب ، فإن النهج الكمي أعطى ميزة في الدقة على الطرق التقليدية المستخدمة في مجتمع خبراء الفيزياء عالية الطاقة".


استخدمت ماريا سبيروبولو ، عالمة فيزياء في معهد كاليفورنيا للتكنولوجيا ، التعلم الآلي للبحث عن بوزونات هيغز.

في ديسمبر ، أظهر Rigetti طريقة لتجميع الكائنات تلقائيًا باستخدام كمبيوتر كموني للأغراض العامة 19 بت. قام الباحثون بتغذية السيارة بقائمة المدن والمسافات بينها وطلبوا منها فرز المدن إلى منطقتين جغرافيتين. تتمثل صعوبة هذه المهمة في أن توزيع مدينة واحدة يعتمد على توزيع جميع المدن الأخرى ، لذلك تحتاج إلى البحث عن حل للنظام بأكمله في وقت واحد.

في الواقع ، قام فريق الشركة بتعيين كيوبت لكل مدينة ولاحظ المجموعة التي تم تكليفها بها. من خلال تفاعل الكوبيتات (في نظام Rigetti ليس مغناطيسيًا ، بل كهربائيًا) ، سعى كل زوج من الكوبيتات إلى أخذ قيم متعاكسة ، حيث تم تقليل طاقتهم في هذه الحالة. من الواضح أنه في أي نظام يحتوي على أكثر من كيوبتين ، يجب أن تنتمي بعض الأزواج إلى نفس المجموعة. كان من المرجح أن توافق المدن القريبة على ذلك ، لأن تكلفة الطاقة للانتماء إلى نفس المجموعة كانت أقل بالنسبة لها في حالة المدن البعيدة.

لجلب النظام إلى أقل طاقة ، اختار فريق Rigetti نهجًا يشبه إلى حد ما نهج D-Wave. لقد قاموا بتهيئة الكوبت مع تراكب لجميع توزيعات المجموعة المحتملة. سمحوا للكيوبت بالتفاعل لفترة وجيزة مع بعضها البعض ، وهذا أدى بهم إلى قبول قيم معينة. ثم استخدموا تناظريًا للمجال المغناطيسي الأفقي ، والذي سمح للكيوبتات بعكس الاتجاه ، إذا كان لديهم مثل هذا الاتجاه الذي دفع النظام قليلاً نحو حالة طاقة بأقل طاقة. ثم كرروا هذه العملية على مرحلتين - التفاعل والثورة - حتى قلل النظام من الطاقة من خلال توزيع المدن في منطقتين مختلفتين.

مهام التصنيف المماثلة ، على الرغم من أنها مفيدة ، بسيطة إلى حد ما. من المتوقع حدوث اختراقات حقيقية لـ MO في النماذج التوليدية التي لا تتعرف فقط على الجراء والقطط الصغيرة ، ولكنها أيضًا قادرة على إنشاء نماذج جديدة - حيوانات لم تكن موجودة أبدًا ، ولكنها لطيفة مثل الحيوانات الحقيقية. حتى أنهم قادرون على اشتقاق فئات مثل "القطط" أو "الجراء" بشكل مستقل ، أو إعادة بناء صورة لا تحتوي على مخلب أو ذيل. قال محمد أمين ، كبير العلماء في D-Wave: "إن هذه التقنيات قادرة على الاستفادة بشكل كبير ومفيد جدًا في منطقة موسكو ، ولكن من الصعب جدًا تنفيذها". إن مساعدة أجهزة الكمبيوتر الكمومية ستكون مفيدة هنا.

وقد قبلت D-Wave وفرق البحث الأخرى هذا التحدي.يعني تدريب مثل هذا النموذج ضبط التفاعلات المغناطيسية أو الكهربائية للكيوبت بحيث يمكن للشبكة إعادة إنتاج بعض بيانات الاختبار. للقيام بذلك ، تحتاج إلى دمج الشبكة مع جهاز كمبيوتر تقليدي. تشترك الشبكة في المهام المعقدة - فهي تحدد ما تعنيه مجموعة معينة من التفاعلات من حيث التكوين النهائي للشبكة - ويستخدم الكمبيوتر الشريك هذه المعلومات لضبط التفاعلات. في أحد المظاهرات العام الماضي ، أعطى أليخاندرو بيردومو أورتيز ، الباحث في مختبر ناسا للذكاء الاصطناعي الكمومي ، جنبًا إلى جنب مع فريق D-Wave نظام تصوير يتكون من أرقام مكتوبة بخط اليد. قررت أن هناك عشر فئات في الكل ، مطابقة الأرقام من 0 إلى 9 ، وأنشأت خربشة خاصة بها في شكل أرقام.

اختناقات النفق

هذه كلها أخبار جيدة. والأخبار السيئة هي أنه بغض النظر عن مدى روعة المعالج ، إذا لم تتمكن من تزويده بالبيانات للعمل معه. في خوارزميات جبر المصفوفة ، يمكن لعملية واحدة معالجة مصفوفة من 16 رقمًا ، ولكنها لا تزال تتطلب 16 عملية لتحميل المصفوفة. قالت ماريا شولد ، باحثة في Xanadu ، وهي شركة ناشئة للكمبيوتر الكمومي ، وأحد العلماء الأوائل الذين حصلوا على شهادة في CMO: "إن مسألة إعداد الدولة - وضع البيانات الكلاسيكية في حالة كمية - يتم تجنبها ، وأعتقد أن هذا هو أحد أهم الأجزاء". تواجه أنظمة MO الموزعة ماديًا صعوبات متوازية - كيفية إدخال مهمة في شبكة من الكيوبت وجعل الكيوبت تتفاعل حسب الحاجة.

بعد أن تتمكن من إدخال البيانات ، تحتاج إلى تخزينها بطريقة يمكن للنظام الكمومي التفاعل معها دون كسر الحسابات الحالية. اقترح لويد وزملاؤه ذاكرة الوصول العشوائي الكمومي باستخدام الفوتونات ، ولكن لا يوجد لدى أحد جهاز تناظري لإجراء التوصيلات الفائقة أو أيونات المحاصرين - التقنيات المستخدمة في أجهزة الكمبيوتر الكمومية الرائدة. قال آرونسون: "هذه مشكلة فنية ضخمة أخرى إلى جانب مشكلة بناء الكمبيوتر الكمومي نفسه". - عند التواصل مع المجربين ، لدي انطباع بأنهم خائفون. ليس لديهم فكرة عن كيفية التعامل مع إنشاء هذا النظام ".

وأخيرًا ، كيفية عرض البيانات؟ وهذا يعني قياس الحالة الكمية للجهاز ، ولكن القياس لا يعيد رقمًا واحدًا فقط في كل مرة ، ويتم اختياره عشوائيًا ، بل يدمر أيضًا حالة الكمبيوتر بالكامل ، ويمحو بقية البيانات قبل أن تتاح لك الفرصة لاستعادتها. يجب عليك تشغيل الخوارزمية مرارًا وتكرارًا لاستخراج جميع المعلومات.

لكن ليس كل شيء ضاع. بالنسبة لبعض أنواع المهام ، يمكن استخدام التداخل الكمي. من الممكن التحكم في مسار العمليات بحيث تلغي الإجابات غير الصحيحة بعضها البعض وتعزز الإجابات الصحيحة نفسها ؛ وبالتالي ، عند قياس الحالة الكمية ، سيتم إرجاعك ليس فقط قيمة عشوائية ، ولكن الجواب المطلوب. ولكن فقط عدد قليل من الخوارزميات ، على سبيل المثال ، البحث باستخدام بحث شامل ، يمكن أن يستفيد من التداخل ، وعادةً ما يكون التسارع صغيرًا.

في بعض الحالات ، وجد الباحثون حلولًا لإدخال البيانات وإخراجها. في عام 2015 ، أظهر Lloyd و Silvano Garnerone من جامعة Waterloo في كندا و Paolo Zanardi من جامعة جنوب كاليفورنيا أنه في أنواع معينة من التحليل الإحصائي ليس من الضروري إدخال أو تخزين مجموعة البيانات بالكامل. وبالمثل ، ليس من الضروري قراءة جميع البيانات عندما تكون عدة قيم رئيسية كافية. على سبيل المثال ، تستخدم شركات التكنولوجيا منطقة موسكو لإصدار توصيات بشأن البرامج التلفزيونية للعرض أو السلع للشراء بناءً على مصفوفة ضخمة من العادات البشرية. يقول آرونسون: "إذا كنت تنشئ مثل هذا النظام لـ Netflix أو Amazon ، فلن تحتاج إلى المصفوفة المسجلة في مكان ما ، بل توصيات للمستخدمين".

كل هذا يثير السؤال: إذا أظهرت آلة الكم قدراتها في حالات خاصة ، فربما يمكن للآلة الكلاسيكية أن تظهر نفسها بشكل جيد في هذه الحالات؟ هذه قضية رئيسية لم يتم حلها في هذا المجال. بعد كل شيء ، يمكن لأجهزة الكمبيوتر العادية أن تفعل الكثير أيضًا. طريقة الاختيار المعتادة لمعالجة مجموعات كبيرة من البيانات - أخذ العينات العشوائية - تشبه في الواقع إلى حد كبير روح الكمبيوتر الكمومي ، والذي ينتج عنه أي شيء عشوائي ، مهما حدث داخله. يلاحظ شولد: "لقد قمت بتطبيق العديد من الخوارزميات التي تفاعلت معها مثل:" إنه رائع جدًا ، إنه تسارع كبير ، "ومن ثم ، للمتعة فقط ، كتبت تقنية أخذ العينات لجهاز كمبيوتر كلاسيكي ، وأدركت أنه يمكن تحقيق نفس الشيء مع المساعدة في أخذ العينات ".

لا شيء من النجاحات التي حققتها KMO حتى الآن كاملة بدون صيد. خذ سيارة D-Wave. عند تصنيف صور السيارات وجزيئات هيجز ، لم تعمل بشكل أسرع من الكمبيوتر الكلاسيكي. قال أليكس موت ، اختصاصي تكنولوجيا المعلومات في مشروع DeepMind من Google ، الذي عمل في الفريق الذي يقوم بالبحث عن جسيم هيجز: "أحد الموضوعات التي لم تتم مناقشتها في عملنا هو التسريع الكمي". تُظهر مقاربات الجبر في المصفوفة ، مثل خوارزمية Harrow-Hassidimi-Lloyd ، التسارع فقط في حالة المصفوفات المتناثرة - المملوءة بالكامل تقريبًا بالأصفار. "ولكن لا أحد يسأل السؤال - هل البيانات المتفرقة مثيرة للاهتمام بشكل عام لتعلم الآلة؟" - قال شولد.

الذكاء الكمومي

من ناحية أخرى ، حتى التحسينات النادرة في التقنيات الحالية يمكن أن ترضي شركات التكنولوجيا. يقول Nathan Vayeb ، باحث الكمبيوتر الكمومي في Microsoft Research: "التحسينات الناتجة متواضعة وليست أسية ، ولكنها على الأقل تربيعية" . "إذا كنت تستخدم جهاز كمبيوتر كمّيًا كبيرًا وسريعًا بما يكفي ، فيمكننا إحداث ثورة في العديد من مناطق منطقة موسكو." وفي عملية استخدام هذه الأنظمة ، ربما يحل علماء الكمبيوتر لغزًا نظريًا - هل هم في الواقع بحكم التعريف بشكل أسرع ، وما هو بالضبط.

يعتقد Schuld أيضًا أن هناك مجالًا للابتكار في جانب البرامج. MO ليس مجرد مجموعة من الحسابات. هذه مجموعة من المهام لها هيكلها الخاص المحدد. وقالت: "إن الخوارزميات التي أنشأها الناس منفصلة عن الأشياء التي تجعل MO مثيرًا وجميلًا". - لذلك ، بدأت العمل من الطرف الآخر وفكرت: إذا كان لدي بالفعل كمبيوتر كمومي - صغير الحجم - ما هو نموذج MO الذي يمكن تنفيذه عليه؟ ربما لم يتم اختراع هذا النموذج بعد. " إذا أراد الفيزيائيون إقناع خبراء MO ، فسيتعين عليهم القيام بأكثر من مجرد إنشاء نسخ كمية من النماذج الموجودة.

مثلما توصل العديد من علماء الأعصاب إلى استنتاج مفاده أن بنية الأفكار البشرية تعكس الحاجة إلى الجسم ، فإن أنظمة MO تتحقق أيضًا. تأتي الصور واللغة ومعظم البيانات التي تتدفق من خلالها من العالم الحقيقي وتعكس خصائصها. تتجسد شركة CMO أيضًا - ولكن في عالم أكثر ثراءً من عالمنا. أحد المجالات التي سوف يتألق فيها بلا شك هو معالجة البيانات الكمية. إذا كانت هذه البيانات ليست صورة ولكن نتيجة تجربة فيزيائية أو كيميائية ، فإن آلة الكم ستصبح أحد عناصرها. تختفي مشكلة الإدخال ، وتأخرت أجهزة الكمبيوتر الكلاسيكية كثيرًا.

كما لو كان في حالة حلقة مفرغة ، يمكن أن تساعد أول KMOs في تطوير خلفائهم. قال ويبي: "إحدى الطرق التي نرغب حقًا في استخدامها لهذه الأنظمة هي إنشاء أجهزة الكمبيوتر الكمومية نفسها". "بالنسبة لبعض إجراءات تصحيح الأخطاء ، هذا هو النهج الوحيد الذي لدينا". ربما يمكنهم حتى إصلاح الأخطاء فينا. بدون معالجة مسألة ما إذا كان دماغ الإنسان حاسوبًا كموميًا - وهذه مسألة مثيرة للجدل للغاية - فإنه لا يزال يتصرف في بعض الأحيان بهذه الطريقة. السلوك البشري سياقي للغاية. تتشكل تفضيلاتنا من خلال الخيارات المتاحة لنا ولا تطيع المنطق. في هذا نحن مشابهون لجسيمات الكم. قال Perdomo-Ortiz: "كيف تطرح الأسئلة وبأي ترتيب مهم ، وهذا هو الحال بالنسبة لمجموعات البيانات الكمية".لذلك ، قد يتحول نظام KMO إلى طريقة طبيعية لدراسة التشوهات المعرفية للتفكير البشري.

تشترك الشبكات العصبية والمعالجات الكمية في شيء: من المدهش أن تعمل حتى. لم تكن القدرة على تدريب شبكة عصبية واضحة أبدًا ، ولعقود من الزمن شكك معظم الناس في أن ذلك ممكن على الإطلاق. وبالمثل ، ليس من الواضح أن أجهزة الكمبيوتر الكمومية سيتم تكييفها في يوم من الأيام مع الحوسبة ، لأن السمات المميزة لفيزياء الكم مخفية تمامًا عنا جميعًا. ومع ذلك ، يعمل كلاهما - ليس دائمًا ، ولكن في كثير من الأحيان أكثر مما نتوقع. وبالنظر إلى ذلك ، يبدو من المرجح أن توحيدهم سيجد مكانًا لنفسه تحت الشمس.