Die Hauptaufgabe von Quantencomputern besteht darin, die künstliche Intelligenz zu verbessern

Die Idee, Quantencomputer und maschinelles Lernen zusammenzuführen, steht am Anfang. Kann sie hohen Erwartungen gerecht werden?

In den frühen neunziger Jahren begann Elizabeth Behrman, Professorin für Physik an der Wichita University, mit der Arbeit an der Fusion von Quantenphysik mit künstlicher Intelligenz - insbesondere in der damals unpopulären neuronalen Netzwerktechnologie. Die meisten Leute dachten, sie würde versuchen, Öl mit Wasser zu mischen. "Es war verdammt schwer für mich zu veröffentlichen", erinnert sie sich. - Zeitschriften über neuronale Netze sagten: "Was für eine Quantenmechanik ist das?", Und Zeitschriften über Physik sagten: "Was für ein neuronales Netz ist das?"

Eine Mischung dieser beiden Konzepte scheint heute das Natürlichste auf der Welt zu sein. Neuronale Netze und andere maschinelle Lernsysteme sind zur plötzlichsten Technologie des 21. Jahrhunderts geworden. Sie sind in menschlichen Berufen besser als in Menschen und übertreffen uns nicht nur bei Aufgaben, bei denen die meisten von uns ohnehin nicht glänzten - zum Beispiel bei Schach oder eingehender Datenanalyse, sondern auch bei Aufgaben, für die sich das Gehirn entwickelt hat -. Zum Beispiel Gesichtserkennung, Sprachübersetzung und Bestimmung des Wegerechts an einer Kreuzung in vier Richtungen. Solche Systeme wurden aufgrund der enormen Computerleistung möglich, so dass es nicht verwunderlich ist, dass Technologieunternehmen begannen, nach Computern zu suchen, die nicht nur größer sind, sondern zu einer völlig neuen Klasse gehören.

Nach jahrzehntelanger Forschung sind Quantencomputer fast bereit, Berechnungen vor allen anderen Computern auf der Erde durchzuführen. Ihr Hauptvorteil ist normalerweise die Faktorisierung großer Zahlen - ein Vorgang, der für moderne Verschlüsselungssysteme von entscheidender Bedeutung ist. Zu diesem Zeitpunkt sind zwar noch mindestens zehn Jahre übrig. Die heutigen rudimentären Quantenprozessoren eignen sich aber auch auf mysteriöse Weise perfekt für maschinelles Lernen. Sie manipulieren große Datenmengen in einem Durchgang, suchen nach schwer fassbaren Mustern, die für klassische Computer unsichtbar sind, und werden nicht vor unvollständigen oder undefinierten Daten ausgegeben. „Es gibt eine natürliche Symbiose zwischen der im Wesentlichen statistischen Natur des Quantencomputers und des maschinellen Lernens“, sagt Johann Otterbach, Physiker bei Rigetti Computing, einem Quantencomputerunternehmen in Berkeley, Kalifornien.

Übrigens hat das Pendel bereits ein anderes Maximum erreicht. Google, Microsoft, IBM und andere Technologie-Giganten investieren Geld in Quantum Machine Learning (CMO) und in einen Startup-Inkubator für dieses Thema an der Universität von Toronto. „Maschinelles Lernen“ wird zum Schlagwort “, sagt Jacob Biamont , Quantenphysikspezialist am Skolkovo- Institut für Wissenschaft und Technologie . "Und wenn Sie es mit dem Konzept des" Quanten "mischen, lernen Sie ein Megamode-Wort."

Das Konzept des „Quanten“ bedeutet jedoch niemals genau das, was von ihm erwartet wird. Obwohl Sie vielleicht entscheiden, dass das KMO-System leistungsfähig sein muss, leidet es unter dem "Locked-up" -Syndrom. Es funktioniert mit Quantenzuständen und nicht mit für Menschen lesbaren Daten, und die Übersetzung zwischen diesen beiden Welten kann alle offensichtlichen Vorteile ausgleichen. Es ist, als ob das iPhone X mit all seinen beeindruckenden Funktionen nicht schneller ist als das alte Telefon, weil das lokale Netzwerk widerlich ist. In einigen speziellen Fällen können Physiker diesen E / A-Engpass überwinden, aber ob solche Fälle bei der Lösung praktischer Probleme mit MO auftreten, ist noch nicht klar. "Wir haben noch keine klaren Antworten", sagt Scott Aaronson , IT-Spezialist an der University of Texas in Austin, und versucht immer, die Dinge im Bereich des Quantencomputers wirklich zu betrachten. "Die Leute sind ziemlich vorsichtig in Bezug auf die Frage, ob diese Algorithmen einen Geschwindigkeitsvorteil bieten."

Quantenneuronen

Die Hauptaufgabe eines neuronalen Netzwerks, sei es klassisch oder quanten, besteht darin, Muster zu erkennen. Es entsteht nach dem Bild des menschlichen Gehirns und ist ein Gitter grundlegender Recheneinheiten - „Neuronen“. Jeder von ihnen kann kein schwierigeres Ein- und Ausschalten sein. Ein Neuron überwacht die Ausgabe vieler anderer Neuronen, als würde es über bestimmte Themen abstimmen, und wechselt in die Ein-Position, wenn genügend Neuronen dafür gestimmt haben. Typischerweise sind Neuronen in Schichten angeordnet. Die erste Ebene akzeptiert Eingaben (z. B. Bildpixel), die mittleren Ebenen erstellen verschiedene Eingabekombinationen (die Strukturen wie Flächen und geometrische Formen darstellen), und die letzte Ebene erzeugt Ausgaben (eine allgemeine Beschreibung der Bilder).


Tiefe neuronale Netze werden trainiert, indem die Gewichte ihrer Verbindungen so angepasst werden, dass Signale über mehrere Schichten an Neuronen übertragen werden, die mit den erforderlichen verallgemeinerten Konzepten verbunden sind

Was wichtig ist, dieses ganze Schema wird nicht im Voraus ausgearbeitet, sondern im Lernprozess durch Versuch und Irrtum angepasst. Zum Beispiel können wir Bildnetzwerke füttern, die als "Kätzchen" oder "Welpe" gekennzeichnet sind. Es weist jedem Bild eine Beschriftung zu, prüft, ob es erfolgreich war, und korrigiert, wenn nicht, neuronale Verbindungen. Zuerst funktioniert es fast zufällig, verbessert dann aber die Ergebnisse; Nach beispielsweise 10.000 Beispielen beginnt sie, Haustiere zu verstehen. In einem seriösen neuronalen Netzwerk können eine Milliarde interne Verbindungen vorhanden sein, die alle angepasst werden müssen.

Auf einem klassischen Computer werden diese Verbindungen durch eine fabelhafte Zahlenmatrix dargestellt, und Netzwerkbetrieb bedeutet, Matrixberechnungen durchzuführen. Typischerweise werden diese Operationen mit der Matrix zur Verarbeitung auf einem speziellen Chip - beispielsweise einer GPU - angegeben . Aber niemand kann Matrixoperationen besser ausführen als ein Quantencomputer. „Die Verarbeitung großer Matrizen und Vektoren auf einem Quantencomputer ist exponentiell schneller“, sagt Seth Lloyd, Physiker am Massachusetts Institute of Technology und Pionier im Bereich Quantencomputer.

Um dieses Problem zu lösen, können Quantencomputer die exponentielle Natur eines Quantensystems nutzen. Der größte Teil der Informationskapazität eines Quantensystems ist nicht in seinen einzelnen Dateneinheiten enthalten - Qubits, Quantenanaloga von Bits eines klassischen Computers -, sondern in den gemeinsamen Eigenschaften dieser Qubits. Zwei Qubits zusammen haben vier Zustände: beide ein, beide aus, ein / aus und aus / ein. Jeder hat ein bestimmtes Gewicht oder eine bestimmte „Amplitude“, die die Rolle eines Neurons spielen kann. Wenn Sie ein drittes Qubit hinzufügen, können Sie sich acht Neuronen vorstellen. die vierte - 16. Die Kapazität der Maschine wächst exponentiell. Tatsächlich werden Neuronen im gesamten System verschmiert. Wenn Sie den Status von vier Qubits ändern, verarbeiten Sie 16 Neuronen auf einen Schlag, und ein klassischer Computer müsste diese Zahlen einzeln verarbeiten.

Lloyd schätzt, dass 60 Qubits ausreichen, um die Datenmenge zu kodieren, die die Menschheit in einem Jahr produziert, und 300 können den klassischen Inhalt des gesamten Universums enthalten. Der größte heute verfügbare Quantencomputer, der von IBM, Intel und Google gebaut wurde, verfügt über etwa 50 Qubits. Und dies nur, wenn wir annehmen, dass jede Amplitude ein klassisches Bit darstellt. Tatsächlich sind Amplituden kontinuierliche Werte (und stellen komplexe Zahlen dar), und mit einer Genauigkeit, die zur Lösung praktischer Probleme geeignet ist, kann jede von ihnen bis zu 15 Bit speichern, sagt Aaronson.

Die Fähigkeit eines Quantencomputers, Informationen in komprimierter Form zu speichern, macht sie jedoch nicht schneller. Man muss in der Lage sein, diese Qubits zu verwenden. Im Jahr 2008 zeigten Lloyd, der Physiker Aram Harrow vom MIT und Avinatan Hassidim , Informatiker an der Bar-Ilan-Universität in Israel, wie eine wichtige algebraische Matrixinversionsoperation durchgeführt werden kann. Sie haben es in eine Folge von logischen Operationen aufgeteilt, die auf einem Quantencomputer ausgeführt werden können. Ihr Algorithmus funktioniert für eine Vielzahl von MO-Technologien. Und er braucht nicht so viele Schritte, wie zum Beispiel eine große Anzahl zu berücksichtigen. Ein Computer kann schnell eine Klassifizierungsaufgabe ausführen, bevor Rauschen - ein wichtiger begrenzender Faktor in der modernen Technologie - alles ruinieren kann. "Bevor Sie einen vollständig vielseitigen, fehlerresistenten Quantencomputer haben, haben Sie möglicherweise nur einen Quantenvorteil", sagte Kristan Temm vom Forschungszentrum. Thomas Watson von IBM.

Lassen Sie die Natur das Problem lösen

Bisher wurde maschinelles Lernen auf der Basis von Quantenmatrix-Computing nur auf Computern mit vier Qubits demonstriert. Die meisten experimentellen Erfolge des quantenmaschinellen Lernens verwenden einen anderen Ansatz, bei dem ein Quantensystem nicht nur ein Netzwerk simuliert, sondern ein Netzwerk ist. Jedes Qubit ist für ein Neuron verantwortlich. Und obwohl nicht über exponentielles Wachstum gesprochen werden muss, kann ein solches Gerät andere Eigenschaften der Quantenphysik nutzen.

Das größte dieser Geräte mit etwa 2.000 Qubits wurde von D-Wave Systems in der Nähe von Vancouver hergestellt. Und genau das stellen sich die Leute nicht vor, wenn sie an den Computer denken. Anstatt Eingaben zu erhalten, eine Folge von Berechnungen durchzuführen und die Ausgabe anzuzeigen, wird die interne Konsistenz ermittelt. Jedes der Qubits ist eine supraleitende elektrische Schleife, die wie ein winziger Elektromagnet arbeitet und nach oben, unten oder sowohl nach oben als auch nach unten ausgerichtet ist - das heißt, in Überlagerung. Qubits binden zusammen aufgrund magnetischer Wechselwirkung.



Um dieses System zu starten, müssen Sie zuerst ein horizontal ausgerichtetes Magnetfeld anlegen, das die Qubits mit derselben Überlagerung nach oben und unten initialisiert - das Äquivalent eines leeren Blattes. Es gibt verschiedene Möglichkeiten, Daten einzugeben. In einigen Fällen können Sie die Qubit-Schicht auf die erforderlichen Anfangswerte festlegen. häufiger werden Eingaben aufgrund von Interaktionen berücksichtigt. Dann lassen Sie die Qubits miteinander interagieren. Einige versuchen, sich auf die gleiche Weise auszurichten, andere in die entgegengesetzte Richtung, und unter dem Einfluss eines horizontalen Magnetfelds wechseln sie in die bevorzugte Ausrichtung. In diesem Prozess können sie andere Qubits zum Umschalten zwingen. Dies kommt zunächst recht häufig vor, da so viele Qubits falsch lokalisiert sind. Mit der Zeit beruhigen sie sich, danach können Sie das horizontale Feld ausschalten und in dieser Position fixieren. In diesem Moment reihen sich die Qubits in einer Abfolge von Auf- und Ab-Positionen aneinander, was eine Schlussfolgerung ist, die auf der Eingabe basiert.

Es ist nicht immer offensichtlich, wie die endgültige Anordnung der Qubits aussehen wird, aber das ist der Punkt. Das System, das sich einfach natürlich verhält, löst ein Problem, um das ein klassischer Computer lange Zeit kämpfen würde. "Wir brauchen keinen Algorithmus", erklärt Hidetoshi Nishimori , Physiker am Tokyo Institute of Technology, der die Prinzipien für den Betrieb von D-Wave-Maschinen entwickelt hat. - Dies ist ein völlig anderer Ansatz als bei der herkömmlichen Programmierung. Das Problem ist von Natur aus gelöst. “

Das Umschalten von Qubits ist durch Quantentunneln, die natürliche Tendenz von Quantensystemen zur optimalen Konfiguration, bestmöglich. Man könnte ein klassisches Netzwerk aufbauen, das nach analogen Prinzipien arbeitet und Zufallsjitter verwendet, anstatt zu tunneln, um Bits zu wechseln, und in einigen Fällen würde es tatsächlich besser funktionieren. Interessanterweise scheint das Quantennetzwerk bei Problemen im Bereich des maschinellen Lernens schneller sein Optimum zu erreichen.

Die Maschine von D-Wave hat ihre Nachteile. Es ist extrem geräuschempfindlich und kann in der aktuellen Version nicht sehr viele verschiedene Operationen ausführen. Algorithmen für maschinelles Lernen sind jedoch rauschtolerant. Sie sind gerade deshalb nützlich, weil sie in unordentlicher Realität eine Bedeutung erkennen können, indem sie Kätzchen trotz ablenkender Momente von Welpen trennen. "Neuronale Netze sind bekannt für ihre Widerstandsfähigkeit gegen Rauschen", sagte Berman.

2009 zeigte ein Team unter der Leitung von Hartmouth Niven , einem IT-Spezialisten bei Google, einem Augmented-Reality-Pionier (er war Mitbegründer des Google Glass-Projekts), der in den Bereich der Quanteninformationsverarbeitung einstieg, wie ein früher Prototyp einer Maschine von D-Wave eine sehr reale Aufgabe ausführen kann maschinelles Lernen. Sie verwendeten die Maschine als einschichtiges neuronales Netzwerk und sortierten Bilder in zwei Klassen: "Auto" und "Nicht-Auto" in einer Bibliothek mit 20.000 auf der Straße aufgenommenen Fotos. Die Maschine hatte nur 52 funktionierende Qubits, nicht genug, um das Bild vollständig einzugeben. Daher kombinierte das Niven-Team ein Auto mit einem klassischen Computer, der verschiedene statistische Parameter der Bilder analysierte und berechnete, wie empfindlich diese Werte für das Vorhandensein auf dem Foto des Autos waren - sie waren normalerweise nicht besonders empfindlich, unterschieden sich jedoch zumindest von zufälligen. Eine Kombination dieser Werte konnte das Vorhandensein eines Autos zuverlässig bestimmen, es war einfach nicht offensichtlich, welche Kombination. Und das neuronale Netzwerk war damit beschäftigt, die gewünschte Kombination zu bestimmen.

Einem Team ist jedem Wert ein Qubit zugeordnet. Wenn das Qubit auf den Wert 1 gesetzt wurde, wurde der entsprechende Wert als nützlich markiert. 0 bedeutete, dass sie nicht gebraucht wurde. Die magnetischen Wechselwirkungen von Qubits haben die Anforderungen dieses Problems kodiert - zum Beispiel die Notwendigkeit, nur die unterschiedlichsten Größen zu berücksichtigen, damit die endgültige Wahl die kompakteste ist. Das resultierende System konnte das Auto erkennen.

Im vergangenen Jahr wandte ein Team unter der Leitung von Maria Spiropoulou, Spezialistin für Teilchenphysik am California Institute of Technology, und Daniel Lidara, Physiker an der University of Southern California, einen Algorithmus zur Lösung eines praktischen physikalischen Problems an: Klassifizierung von Protonenkollisionen in die Kategorien Higgs-Boson und Nicht-Boson Higgs. " Indem sie Schätzungen nur auf Kollisionen beschränkten, die Photonen erzeugten, verwendeten sie die grundlegende Theorie der Teilchen, um vorherzusagen, welche Eigenschaften eines Photons das kurzfristige Auftreten eines Higgs-Teilchens anzeigen sollten - beispielsweise über einen bestimmten Schwellenwert des Impulses hinaus. Sie untersuchten acht solcher Eigenschaften und 28 Kombinationen davon, was insgesamt 36 Kandidatensignale ergab und es dem D-Wave-Chip ermöglichte, die optimale Probe zu finden. Er identifizierte 16 Variablen als nützlich und drei als die besten. "Angesichts der geringen Größe des Trainingssatzes hat der Quantenansatz einen Genauigkeitsvorteil gegenüber den traditionellen Methoden in der Gemeinschaft der Experten für Hochenergiephysik erzielt", sagte Lidar.


Maria Spiropoulou, Physikerin am California Institute of Technology, suchte mithilfe von maschinellem Lernen nach Higgs-Bosonen

Im Dezember demonstrierte Rigetti eine Möglichkeit, Objekte mithilfe eines 19-Qubit-Universalquantencomputers automatisch zu gruppieren. Die Forscher fütterten das Auto mit einer Liste der Städte und der Entfernungen zwischen ihnen und baten sie, die Städte in zwei geografische Regionen zu sortieren. Die Schwierigkeit dieser Aufgabe besteht darin, dass die Verteilung einer Stadt von der Verteilung aller anderen abhängt. Sie müssen daher sofort nach einer Lösung für das gesamte System suchen.

Tatsächlich hat das Team des Unternehmens jeder Stadt ein Qubit zugewiesen und notiert, welcher Gruppe es zugeordnet wurde. Durch die Wechselwirkung von Qubits (im Rigetti-System ist es nicht magnetisch, sondern elektrisch) versuchte jedes Qubitpaar entgegengesetzte Werte anzunehmen, da in diesem Fall ihre Energie minimiert wurde. Offensichtlich müssen in jedem System, das mehr als zwei Qubits enthält, einige Paare zur selben Gruppe gehören. Städte mit näherer Lage stimmten dem eher zu, da für sie die Energiekosten für die Zugehörigkeit zu derselben Gruppe niedriger waren als für entfernte Städte.

Um das System auf die geringste Energie zu bringen, entschied sich das Rigetti-Team für einen Ansatz, der dem D-Wave-Ansatz ähnelt. Sie initialisierten Qubits mit einer Überlagerung aller möglichen Gruppenverteilungen. Sie erlaubten den Qubits, kurz miteinander zu interagieren, und dies führte dazu, dass sie bestimmte Werte akzeptierten. Dann verwendeten sie ein Analogon des horizontalen Magnetfelds, das es den Qubits ermöglichte, die Orientierung umzukehren, wenn sie eine solche Tendenz hatten, die das System leicht in einen Energiezustand mit minimaler Energie drückte. Dann wiederholten sie diesen zweistufigen Prozess - Interaktion und Revolution -, bis das System die Energie minimierte, indem es Städte in zwei verschiedene Regionen verteilte.

Ähnliche Klassifizierungsaufgaben sind zwar nützlich, aber ziemlich einfach. Echte MO-Durchbrüche werden in generativen Modellen erwartet, die nicht nur Welpen und Kätzchen erkennen, sondern auch neue Archetypen erschaffen können - Tiere, die es nie gab, die aber so niedlich sind wie echte. Sie können sogar unabhängig voneinander Kategorien wie „Kätzchen“ oder „Welpen“ ableiten oder ein Bild ohne Pfote oder Schwanz rekonstruieren. "Diese Technologien sind in der Region Moskau in der Lage, viel und sehr nützlich zu sein, aber sie sind sehr schwer zu implementieren", sagte Mohammed Amin , Chefwissenschaftler bei D-Wave. Die Hilfe von Quantencomputern wäre hier nützlich.

D-Wave und andere Forschungsteams haben diese Herausforderung angenommen.Ein solches Modell zu trainieren bedeutet, die magnetischen oder elektrischen Wechselwirkungen der Qubits so einzustellen, dass das Netzwerk einige Testdaten reproduzieren kann. Dazu müssen Sie das Netzwerk mit einem herkömmlichen Computer kombinieren. Das Netzwerk ist mit komplexen Aufgaben beschäftigt - es bestimmt, was diese Interaktionen für die endgültige Konfiguration des Netzwerks bedeuten - und der Partnercomputer verwendet diese Informationen, um die Interaktionen zu optimieren. In einer Demonstration im vergangenen Jahr gab Alejandro Perdomo-Ortiz , ein Forscher am NASA-Labor für Quanten-Künstliche Intelligenz, zusammen mit einem Team D-Wave ein Bildgebungssystem, das aus handgeschriebenen Zahlen bestand. Sie stellte fest, dass es insgesamt zehn Kategorien gab, stimmte mit Zahlen von 0 bis 9 überein und erstellte ihr eigenes Gekritzel in Form von Zahlen.

Tunnelengpässe

Das sind alles gute Nachrichten. Und die schlechte Nachricht ist, dass Ihr Prozessor, egal wie cool er ist, wenn Sie ihm keine Daten zur Verfügung stellen können, mit denen er arbeiten kann. In Matrixalgebra-Algorithmen kann eine einzelne Operation eine Matrix mit 16 Zahlen verarbeiten, zum Laden der Matrix sind jedoch noch 16 Operationen erforderlich. "Das Problem der Zustandsvorbereitung - klassische Daten in einen Quantenzustand zu versetzen - wird vermieden, und ich denke, dies ist einer der wichtigsten Teile", sagte Maria Schuld, eine Forscherin bei Xanadu, einem Quantencomputer-Startup, und eine der ersten Wissenschaftlerinnen, die auf dem Gebiet der CMO ihren Abschluss gemacht haben. Physikalisch verteilte MO-Systeme haben parallele Schwierigkeiten - wie man eine Aufgabe in ein Netzwerk von Qubits einführt und die Qubits nach Bedarf interagieren lässt.

Nachdem Sie die Daten eingeben konnten, müssen Sie sie so speichern, dass das Quantensystem mit ihnen interagieren kann, ohne die aktuellen Berechnungen zu unterbrechen. Lloyd und Kollegen haben Quanten-RAM unter Verwendung von Photonen vorgeschlagen, aber niemand hat ein analoges Gerät zur Supraleitung von Qubits oder eingefangenen Ionen - Technologien, die in führenden Quantencomputern verwendet werden. "Dies ist ein weiteres großes technisches Problem neben dem Problem, den Quantencomputer selbst zu bauen", sagte Aaronson. - Wenn ich mit den Experimentatoren kommuniziere, habe ich den Eindruck, dass sie Angst haben. Sie haben keine Ahnung, wie sie sich der Schaffung dieses Systems nähern sollen. “

Und schließlich, wie die Daten angezeigt werden? Dies bedeutet, dass der Quantenzustand der Maschine gemessen wird, aber die Messung gibt nicht nur jeweils eine zufällig ausgewählte Zahl zurück, sondern zerstört auch den gesamten Zustand des Computers und löscht den Rest der Daten, bevor Sie die Möglichkeit haben, sie zu beanspruchen. Sie müssen den Algorithmus immer wieder ausführen, um alle Informationen zu entfernen.

Aber nicht alles ist verloren. Für einige Arten von Aufgaben kann Quanteninterferenz verwendet werden. Es ist möglich, den Ablauf so zu steuern, dass sich falsche Antworten gegenseitig aufheben und sich die richtigen verstärken. Wenn Sie also den Quantenzustand messen, erhalten Sie nicht nur einen zufälligen Wert, sondern die gewünschte Antwort. Aber nur wenige Algorithmen, zum Beispiel die Suche mit erschöpfender Suche, können die Interferenz ausnutzen, und die Beschleunigung stellt sich normalerweise als gering heraus.

In einigen Fällen haben Forscher Problemumgehungen für die Dateneingabe und -ausgabe gefunden. Im Jahr 2015 haben Lloyd, Silvano Garnerone von der University of Waterloo in Kanada und Paolo Zanardi von der University of Southern California gezeigt, dass es bei bestimmten Arten statistischer Analysen nicht erforderlich ist, den gesamten Datensatz einzugeben oder zu speichern. Ebenso ist es nicht erforderlich, alle Daten zu lesen, wenn mehrere Schlüsselwerte ausreichen. Zum Beispiel nutzen Technologieunternehmen die Region Moskau, um Empfehlungen zu Fernsehprogrammen zum Anschauen oder zum Kauf von Waren auf der Grundlage einer riesigen Matrix menschlicher Gewohnheiten abzugeben. „Wenn Sie ein solches System für Netflix oder Amazon erstellen, muss nicht die Matrix irgendwo aufgezeichnet werden, sondern Empfehlungen für Benutzer“, sagt Aaronson.

All dies wirft die Frage auf: Wenn eine Quantenmaschine in besonderen Fällen ihre Fähigkeiten unter Beweis stellt, kann sich die klassische Maschine vielleicht auch in diesen Fällen gut zeigen? Dies ist ein großes ungelöstes Problem in diesem Bereich. Schließlich können gewöhnliche Computer auch viel. Die übliche Auswahlmethode für die Verarbeitung großer Datenmengen - Zufallsstichproben - ist im Geiste einem Quantencomputer sehr ähnlich, der, was auch immer darin geschieht, letztendlich ein zufälliges Ergebnis liefert. Schuld bemerkt: „Ich habe viele Algorithmen implementiert, auf die ich reagiert habe:„ Es ist so cool, es ist so eine Beschleunigung “, und dann habe ich nur zum Spaß Sampling-Technologie für einen klassischen Computer geschrieben und festgestellt, dass das Gleiche mit erreicht werden kann Hilfe bei der Probenahme. "

Keiner der bisher von KMO erzielten Erfolge ist ohne einen Haken vollständig. Nehmen Sie das D-Wave-Auto. Bei der Klassifizierung von Bildern von Autos und Higgs-Partikeln funktionierte es nicht schneller als ein klassischer Computer. "Eines der Themen, die in unserer Arbeit nicht behandelt werden, ist die Quantenbeschleunigung", sagte Alex Mott, IT-Spezialist bei Googles DeepMind-Projekt, der im Team arbeitete, das das Higgs-Teilchen erforschte. Matrixalgebra-Ansätze wie der Harrow-Hassidimi-Lloyd-Algorithmus zeigen eine Beschleunigung nur bei spärlichen Matrizen - fast vollständig mit Nullen gefüllt. "Aber niemand stellt die Frage: Sind spärliche Daten im Allgemeinen für maschinelles Lernen interessant?" - sagte Schuld.

Quantenintelligenz

Auf der anderen Seite könnten selbst seltene Verbesserungen bestehender Technologien Technologieunternehmen gefallen. "Die daraus resultierenden Verbesserungen sind bescheiden, nicht exponentiell, aber zumindest quadratisch", sagt Nathan Vayeb , Quantencomputerforscher bei Microsoft Research. "Wenn Sie einen ausreichend großen und schnellen Quantencomputer verwenden, könnten wir viele Gebiete der Region Moskau revolutionieren." Und bei der Verwendung dieser Systeme können Informatiker möglicherweise ein theoretisches Rätsel lösen - sind sie tatsächlich per Definition schneller und in was genau.

Schuld glaubt auch, dass es auf der Softwareseite Raum für Innovationen gibt. MO ist nicht nur eine Reihe von Berechnungen. Dies ist eine Reihe von Aufgaben mit einer eigenen, definierten Struktur. "Die von Menschen erstellten Algorithmen unterscheiden sich von den Dingen, die MO interessant und schön machen", sagte sie. - Deshalb habe ich am anderen Ende mit der Arbeit begonnen und dachte: Wenn ich bereits einen kleinen Quantencomputer habe, welches MO-Modell kann darauf implementiert werden? Vielleicht wurde dieses Modell noch nicht erfunden. “ Wenn Physiker MO-Experten beeindrucken wollen, müssen sie mehr als nur Quantenversionen bestehender Modelle erstellen.

So wie viele Neurowissenschaftler zu dem Schluss gekommen sind, dass die Struktur menschlicher Gedanken die Notwendigkeit des Körpers widerspiegelt, materialisieren sich auch MO-Systeme. Bilder, Sprache und die meisten Daten, die durch sie fließen, stammen aus der realen Welt und spiegeln deren Eigenschaften wider. CMO materialisiert sich auch - aber in einer reicheren Welt als unserer. Ein Bereich, in dem es zweifellos glänzen wird, ist die Verarbeitung von Quantendaten. Wenn diese Daten kein Bild sind, sondern das Ergebnis eines physikalischen oder chemischen Experiments, wird eine Quantenmaschine zu einem ihrer Elemente. Das Eingabeproblem verschwindet und klassische Computer liegen weit zurück.

Wie in einer Teufelskreissituation können die ersten KMOs bei der Entwicklung ihrer Nachfolger helfen. "Eine der Möglichkeiten, wie wir diese Systeme wirklich nutzen wollen, besteht darin, die Quantencomputer selbst zu erstellen", sagte Weibe. "Für einige Fehlerkorrekturverfahren ist dies der einzige Ansatz, den wir haben." Vielleicht können sie sogar die Fehler in uns beheben. Ohne die Frage anzusprechen, ob das menschliche Gehirn ein Quantencomputer ist - und dies ist eine sehr kontroverse Frage -, verhält es sich manchmal immer noch so. Das menschliche Verhalten ist äußerst kontextabhängig. Unsere Präferenzen werden durch die uns zur Verfügung gestellten Entscheidungen gebildet und gehorchen nicht der Logik. In dieser Hinsicht ähneln wir Quantenteilchen. "Wie Sie Fragen stellen und in welcher Reihenfolge, und das ist typisch für Quantendatensätze", sagte Perdomo-Ortiz.Daher kann sich das KMO-System als natürliche Methode zur Untersuchung kognitiver Verzerrungen des menschlichen Denkens herausstellen.

Neuronale Netze und Quantenprozessoren haben etwas gemeinsam: Es ist überraschend, dass sie sogar funktionieren. Die Fähigkeit, ein neuronales Netzwerk zu trainieren, war nie offensichtlich, und die meisten Menschen bezweifelten jahrzehntelang, dass dies überhaupt möglich sein würde. Ebenso ist es nicht offensichtlich, dass Quantencomputer eines Tages an das Rechnen angepasst werden, weil die Unterscheidungsmerkmale der Quantenphysik uns allen so gut verborgen sind. Beide arbeiten jedoch - nicht immer, aber häufiger als erwartet. Und angesichts dessen scheint es wahrscheinlich, dass ihre Vereinigung unter der Sonne einen Platz für sich finden wird.