Tugas utama komputer kuantum adalah untuk meningkatkan kecerdasan buatan

Gagasan menggabungkan komputasi kuantum dan pembelajaran mesin adalah yang utama. Bisakah dia memenuhi harapan tinggi?

Pada awal 1990-an, Elizabeth Behrman, seorang profesor fisika di Wichita University, mulai bekerja pada fusi fisika kuantum dengan kecerdasan buatan - khususnya dalam teknologi jaringan saraf yang saat itu tidak populer. Kebanyakan orang mengira dia sedang mencoba mencampur minyak dengan air. “Sangat sulit bagi saya untuk menerbitkan,” kenangnya. - Majalah di jaringan saraf mengatakan, "Mekanika kuantum seperti apa ini?", Dan majalah fisika mengatakan, "Jaringan saraf macam apa itu?"

Saat ini, campuran dari kedua konsep ini tampaknya merupakan hal yang paling alami di dunia. Jaringan saraf dan sistem pembelajaran mesin lainnya telah menjadi teknologi paling tiba-tiba pada abad ke-21. Mereka lebih baik dalam pekerjaan manusia daripada pada manusia, dan mereka melampaui kita tidak hanya dalam tugas-tugas di mana sebagian besar dari kita tidak tetap bersinar - misalnya, dalam catur atau analisis data mendalam, tetapi juga dalam tugas-tugas yang otaknya telah berevolusi - misalnya, pengenalan wajah, terjemahan bahasa dan penentuan hak jalan di persimpangan empat arah. Sistem seperti itu menjadi mungkin karena kekuatan komputer yang besar, sehingga tidak mengherankan bahwa perusahaan teknologi mulai mencari komputer tidak hanya lebih besar, tetapi milik kelas yang sama sekali baru.

Setelah beberapa dekade penelitian, komputer kuantum hampir siap untuk melakukan perhitungan di depan komputer lain di Bumi. Keuntungan utama mereka biasanya adalah faktorisasi angka besar - suatu operasi yang merupakan kunci untuk sistem enkripsi modern. Benar, pada titik ini setidaknya ada sepuluh tahun lagi. Tetapi prosesor kuantum dasar saat ini juga secara misterius sempurna untuk kebutuhan pembelajaran mesin. Mereka memanipulasi sejumlah besar data dalam satu pass, mencari pola yang sulit dipahami yang tidak terlihat oleh komputer klasik, dan tidak mengeluarkan sebelum data yang tidak lengkap atau tidak terdefinisi. "Ada simbiosis alami antara sifat statistik dasarnya komputasi kuantum dan pembelajaran mesin," kata Johann Otterbach, seorang fisikawan di Rigetti Computing, sebuah perusahaan komputasi kuantum di Berkeley, California.

Untuk itu, bandul telah berayun ke maksimum lain. Google, Microsoft, IBM, dan raksasa teknologi lainnya menuangkan uang ke dalam pembelajaran mesin kuantum (KMO) dan ke dalam inkubator pemula yang didedikasikan untuk topik ini, berlokasi di University of Toronto. "Pembelajaran mesin" menjadi kata kunci, "kata Jacob Biamont , seorang spesialis fisika kuantum di Institut Sains dan Teknologi Skolkovo . "Dan dengan mencampurnya dengan konsep" kuantum ", kamu akan belajar kata megamode."

Tetapi konsep "kuantum" tidak pernah berarti apa yang diharapkan darinya. Meskipun Anda mungkin memutuskan bahwa sistem KMO harus kuat, ia menderita sindrom "terkunci". Ini bekerja dengan keadaan kuantum, dan tidak dengan data yang dapat dibaca manusia , dan terjemahan antara dua dunia ini dapat meratakan semua keuntungannya yang jelas. Ini seperti iPhone X, yang memiliki semua fitur yang mengesankan, tidak lebih cepat dari ponsel lama, karena jaringan lokal menjijikkan. Dalam beberapa kasus khusus, fisikawan dapat mengatasi kemacetan I / O ini, tetapi apakah kasus tersebut akan muncul ketika menyelesaikan masalah praktis dengan MO masih belum jelas. "Kami belum memiliki jawaban yang jelas," kata Scott Aaronson , seorang spesialis IT di University of Texas di Austin, selalu berusaha untuk benar-benar melihat hal-hal di bidang komputasi kuantum. "Orang-orang sangat berhati-hati tentang masalah apakah algoritma ini akan memberikan semacam keunggulan kecepatan."

Neuron kuantum

Tugas utama jaringan saraf, baik itu klasik atau kuantum, adalah mengenali pola. Ini dibuat dalam gambar otak manusia dan merupakan kisi unit komputasi dasar - "neuron". Masing-masing dari mereka tidak bisa lebih sulit untuk menghidupkan / mematikan. Neuron memonitor output dari banyak neuron lain, seolah-olah memberikan suara untuk masalah tertentu, dan beralih ke posisi aktif jika neuron yang cukup telah memilih. Biasanya, neuron tersusun berlapis-lapis. Lapisan pertama menerima input (misalnya, piksel gambar), lapisan tengah membuat berbagai kombinasi input (mewakili struktur seperti wajah dan bentuk geometris), dan lapisan terakhir menghasilkan output (deskripsi tingkat tinggi dari apa yang ada dalam gambar).


Jaringan saraf dalam dilatih dengan menyesuaikan bobot koneksi mereka dengan cara terbaik untuk mengirimkan sinyal melalui beberapa lapisan ke neuron yang terkait dengan konsep umum yang diperlukan

Yang penting, keseluruhan skema ini tidak berjalan di muka, tetapi diadaptasi dalam proses pembelajaran dengan coba-coba. Misalnya, kita dapat memberi makan jaringan gambar yang diberi label "anak kucing" atau "anak anjing". Ini memberikan label untuk setiap gambar, memeriksa untuk melihat apakah itu berhasil, dan jika tidak, itu memperbaiki koneksi saraf. Pada awalnya itu bekerja hampir secara tidak sengaja, tetapi kemudian meningkatkan hasilnya; setelah, katakanlah, 10.000 contoh, ia mulai memahami binatang peliharaan. Mungkin ada satu miliar koneksi internal dalam jaringan saraf yang serius, dan semuanya perlu disesuaikan.

Pada komputer klasik, koneksi ini diwakili oleh matriks angka yang luar biasa, dan operasi jaringan berarti melakukan perhitungan matriks. Biasanya, operasi dengan matriks ini diberikan untuk diproses ke chip khusus - misalnya, GPU . Tetapi tidak ada yang bisa melakukan operasi matriks lebih baik daripada komputer kuantum. "Memproses matriks besar dan vektor pada komputer kuantum secara eksponensial lebih cepat," kata Seth Lloyd, seorang ahli fisika di Massachusetts Institute of Technology dan pelopor dalam komputasi kuantum.

Untuk mengatasi masalah ini, komputer kuantum dapat memanfaatkan sifat eksponensial dari sistem kuantum. Sebagian besar kapasitas informasi dari sistem kuantum tidak terkandung dalam unit data individualnya - qubit, analog kuantum bit dari komputer klasik - tetapi pada properti gabungan dari qubit ini. Dua qubit bersama-sama memiliki empat status: keduanya aktif, keduanya mati, hidup / mati dan mati / hidup. Setiap orang memiliki berat tertentu, atau "amplitudo," yang dapat memainkan peran neuron. Jika Anda menambahkan qubit ketiga, Anda dapat membayangkan delapan neuron; yang keempat - 16. Kapasitas mesin meningkat secara eksponensial. Faktanya, neuron dioleskan ke seluruh sistem. Ketika Anda mengubah keadaan empat qubit, Anda memproses 16 neuron dalam satu gerakan, dan komputer klasik harus memproses angka-angka ini satu per satu.

Lloyd memperkirakan bahwa 60 qubit cukup untuk menyandikan jumlah data yang dihasilkan manusia dalam satu tahun, dan 300 mungkin berisi konten klasik seluruh Semesta. Komputer kuantum terbesar yang tersedia saat ini, dibangun oleh IBM, Intel dan Google, memiliki sekitar 50 qubit. Dan ini hanya jika kita mengasumsikan bahwa setiap amplitudo mewakili satu bit klasik. Faktanya, amplitudo adalah nilai kontinu (dan mewakili bilangan kompleks), dan dengan ketepatan yang sesuai untuk memecahkan masalah praktis, masing-masing dapat menyimpan hingga 15 bit, kata Aaronson.

Tetapi kemampuan komputer kuantum untuk menyimpan informasi dalam bentuk terkompresi tidak membuatnya lebih cepat. Seseorang harus dapat menggunakan qubit ini. Pada tahun 2008, Lloyd, fisikawan Aram Harrow dari MIT dan Avinatan Hassidim , seorang ilmuwan komputer di Universitas Bar-Ilan di Israel, menunjukkan bagaimana operasi inversi matriks aljabar penting dapat dilakukan. Mereka memecahnya menjadi urutan operasi logis yang dapat dilakukan pada komputer kuantum. Algoritma mereka bekerja untuk sejumlah besar teknologi MO. Dan dia tidak perlu langkah sebanyak, katakanlah, memfaktorkan sejumlah besar. Komputer dapat dengan cepat melakukan tugas klasifikasi sebelum kebisingan - faktor pembatas utama dalam teknologi modern - dapat merusak segalanya. "Sebelum Anda memiliki komputer kuantum yang sepenuhnya serba guna dan tahan kesalahan, Anda mungkin hanya memiliki keunggulan kuantum," kata Kristan Temm dari Pusat Penelitian. Thomas Watson dari IBM.

Biarkan alam memecahkan masalah

Sejauh ini, pembelajaran mesin berdasarkan komputasi matriks kuantum telah ditunjukkan hanya pada komputer dengan empat qubit. Sebagian besar keberhasilan eksperimental pembelajaran mesin kuantum menggunakan pendekatan yang berbeda di mana sistem kuantum tidak hanya mensimulasikan jaringan, tetapi merupakan jaringan. Setiap qubit bertanggung jawab atas satu neuron. Dan meskipun tidak perlu berbicara tentang pertumbuhan eksponensial, perangkat semacam itu dapat memanfaatkan sifat-sifat fisika kuantum lainnya.

Perangkat terbesar ini, berisi sekitar 2.000 qubit, diproduksi oleh D-Wave Systems, yang terletak di dekat Vancouver. Dan ini tidak persis seperti yang dibayangkan orang ketika berpikir tentang komputer. Alih-alih mendapatkan beberapa input, melakukan urutan perhitungan dan menunjukkan output, ia bekerja dengan menemukan konsistensi internal. Masing-masing qubit adalah loop listrik superkonduktor, bekerja seperti elektromagnet kecil, berorientasi ke atas, ke bawah, atau keduanya naik dan turun - yaitu berada di posisi super. Bersama-sama, qubit mengikat karena interaksi magnetik.



Untuk memulai sistem ini, pertama-tama Anda perlu menerapkan medan magnet berorientasi horizontal yang menginisialisasi qubit dengan superposisi yang sama naik dan turun - setara dengan lembaran kosong. Ada beberapa cara untuk memasukkan data. Dalam beberapa kasus, Anda dapat memperbaiki layer qubit pada nilai awal yang diperlukan; lebih sering, input dimasukkan karena interaksi. Lalu Anda membiarkan qubit berinteraksi satu sama lain. Beberapa mencoba untuk berbaris dengan cara yang sama, beberapa di arah yang berlawanan, dan di bawah pengaruh medan magnet horizontal, mereka beralih ke orientasi yang lebih disukai. Dalam proses ini, mereka dapat memaksa qubit lain untuk berganti. Pada awalnya, ini cukup sering terjadi, karena begitu banyak qubit berada secara tidak benar. Seiring waktu, mereka menjadi tenang, setelah itu Anda dapat mematikan bidang horizontal dan memperbaikinya di posisi ini. Pada saat ini, qubit berbaris dalam urutan posisi naik dan turun, yang merupakan kesimpulan berdasarkan input.

Tidak selalu jelas apa pengaturan akhir qubit nantinya, tetapi itulah intinya. Sistem, hanya berperilaku secara alami, memecahkan masalah dimana komputer klasik akan berjuang untuk waktu yang lama. "Kami tidak memerlukan algoritme," jelas Hidetoshi Nishimori , seorang ahli fisika di Institut Teknologi Tokyo yang mengembangkan prinsip-prinsip untuk pengoperasian mesin D-Wave. - Ini adalah pendekatan yang sama sekali berbeda dari pemrograman konvensional. Masalahnya dipecahkan secara alami. "

Pergantian qubit disebabkan oleh tunneling kuantum, kecenderungan alami sistem kuantum ke konfigurasi optimal, sebaik mungkin. Seseorang dapat membangun jaringan klasik yang beroperasi pada prinsip-prinsip analog menggunakan jitter acak alih-alih tunneling untuk beralih bit, dan dalam beberapa kasus itu benar-benar akan bekerja lebih baik. Tetapi, yang menarik, untuk masalah yang muncul di bidang pembelajaran mesin, jaringan kuantum tampaknya mencapai optimalnya lebih cepat.

Mesin dari D-Wave memiliki kekurangannya. Ini sangat rentan terhadap kebisingan, dan dalam versi saat ini dapat melakukan tidak banyak varietas operasi. Tetapi algoritma pembelajaran mesin pada dasarnya toleran terhadap kebisingan. Mereka berguna justru karena mereka dapat mengenali makna dalam kenyataan yang tidak rapi, memisahkan anak kucing dari anak anjing, meskipun saat-saat yang mengganggu. "Jaringan saraf dikenal karena ketahanannya terhadap kebisingan," kata Berman.

Pada tahun 2009, sebuah tim yang dipimpin oleh Hartmouth Niven , seorang spesialis IT di Google, seorang pelopor augmented reality (dia adalah salah satu pendiri proyek Google Glass), yang pindah ke bidang pemrosesan informasi kuantum, menunjukkan bagaimana prototipe awal sebuah mesin dari D-Wave mampu melakukan tugas yang sangat nyata pembelajaran mesin. Mereka menggunakan mesin itu sebagai jaringan saraf satu lapis, memilah gambar menjadi dua kelas: "mobil" dan "bukan mobil" di perpustakaan berisi 20.000 foto yang diambil di jalanan. Mesin hanya memiliki 52 qubit yang berfungsi, tidak cukup untuk sepenuhnya memasukkan gambar. Oleh karena itu, tim Niven menggabungkan mobil dengan komputer klasik yang menganalisis berbagai parameter statistik gambar dan menghitung seberapa sensitif nilai-nilai ini terhadap kehadiran di foto mobil - mereka biasanya tidak terlalu sensitif, tetapi setidaknya berbeda dari yang acak. Beberapa kombinasi dari nilai-nilai ini andal dapat menentukan keberadaan mobil, hanya saja tidak jelas kombinasi mana. Dan jaringan saraf terlibat dalam menentukan kombinasi yang diinginkan.

Tim memiliki qubit yang terkait dengan setiap nilai. Jika qubit diatur ke nilai 1, itu menandai nilai yang sesuai sebagai berguna; 0 berarti dia tidak diperlukan. Interaksi magnetik qubit mengkodekan persyaratan masalah ini - misalnya, kebutuhan untuk memperhitungkan hanya jumlah yang sangat berbeda sehingga pilihan akhir adalah yang paling kompak. Sistem yang dihasilkan mampu mengenali mobil.

Tahun lalu, sebuah tim yang dipimpin oleh Maria Spiropoulou, spesialis fisika partikel di California Institute of Technology, dan Daniel Lidara, seorang ahli fisika di University of Southern California, menerapkan algoritma untuk memecahkan masalah fisika praktis: mengklasifikasikan tabrakan proton ke dalam kategori Higgs boson dan non boson Higgs. " Dengan membatasi perkiraan hanya pada tabrakan yang menghasilkan foton, mereka menggunakan teori dasar partikel untuk memprediksi sifat foton mana yang harus menunjukkan tampilan jangka pendek dari partikel Higgs - misalnya, melebihi nilai ambang batas momentum tertentu. Mereka memeriksa delapan sifat tersebut dan 28 kombinasi dari mereka, yang secara total menghasilkan 36 sinyal kandidat dan memungkinkan chip D-Wave untuk menemukan sampel yang optimal. Dia mengidentifikasi 16 variabel sebagai berguna, dan tiga sebagai yang terbaik. "Mengingat ukuran kecil dari set pelatihan, pendekatan kuantum telah memberikan keuntungan dalam akurasi dibandingkan metode tradisional yang digunakan dalam komunitas ahli fisika energi tinggi," kata Lidar.


Maria Spiropoulou, seorang ahli fisika di California Institute of Technology, menggunakan pembelajaran mesin untuk mencari boson Higgs

Pada bulan Desember, Rigetti menunjukkan cara untuk secara otomatis mengelompokkan objek menggunakan komputer kuantum tujuan umum 19-qubit. Para peneliti memberi makan mobil daftar kota dan jarak antara mereka dan memintanya untuk mengurutkan kota menjadi dua wilayah geografis. Kesulitan dari tugas ini adalah bahwa distribusi satu kota tergantung pada distribusi semua kota lain, jadi Anda perlu mencari solusi untuk seluruh sistem sekaligus.

Tim perusahaan, pada kenyataannya, menetapkan qubit untuk setiap kota dan mencatat ke grup mana mereka ditugaskan. Melalui interaksi qubit (dalam sistem Rigetti itu bukan magnet, tetapi listrik), setiap pasangan qubit berusaha untuk mengambil nilai yang berlawanan, karena dalam hal ini energi mereka diminimalkan. Jelas, dalam sistem apa pun yang berisi lebih dari dua qubit, beberapa pasangan harus berasal dari kelompok yang sama. Kota-kota yang letaknya lebih dekat lebih mungkin menyetujui hal ini, karena bagi mereka biaya energi untuk memiliki kelompok yang sama lebih rendah daripada kota-kota yang jauh.

Untuk membawa sistem ke energi paling sedikit, tim Rigetti memilih pendekatan yang agak mirip dengan pendekatan D-Wave. Mereka menginisialisasi qubit dengan superposisi dari semua distribusi grup yang mungkin. Mereka mengizinkan qubit untuk berinteraksi secara singkat satu sama lain, dan ini membuat mereka menerima nilai-nilai tertentu. Kemudian mereka menggunakan analog dari medan magnet horisontal, yang memungkinkan qubit untuk membalikkan orientasi, jika mereka memiliki kecenderungan yang mendorong sistem sedikit menuju keadaan energi dengan energi minimal. Kemudian mereka mengulangi proses dua tahap ini - interaksi dan revolusi - hingga sistem meminimalkan energi dengan mendistribusikan kota ke dua wilayah yang berbeda.

Tugas klasifikasi serupa, meskipun bermanfaat, cukup sederhana. Terobosan MO nyata diharapkan dalam model generatif yang tidak hanya mengenali anak anjing dan anak kucing, tetapi juga mampu menciptakan arketipe baru - hewan yang tidak pernah ada, tetapi juga selucu binatang asli. Mereka bahkan dapat secara mandiri menurunkan kategori seperti "anak kucing" atau "anak anjing," atau merekonstruksi gambar yang tidak memiliki kaki atau ekor. "Teknologi ini mampu banyak dan sangat berguna di Wilayah Moskow, tetapi mereka sangat sulit untuk diterapkan," kata Mohammed Amin , kepala ilmuwan di D-Wave. Bantuan komputer kuantum akan berguna di sini.

D-Wave dan tim peneliti lain telah menerima tantangan ini.Melatih model seperti itu berarti menyesuaikan interaksi magnetik atau listrik dari qubit sehingga jaringan dapat mereproduksi beberapa data uji. Untuk melakukan ini, Anda perlu menggabungkan jaringan dengan komputer konvensional. Jaringan terlibat dalam tugas-tugas kompleks - menentukan apa arti rangkaian interaksi ini dalam hal konfigurasi akhir jaringan - dan komputer mitra menggunakan informasi ini untuk menyempurnakan interaksi. Dalam satu demonstrasi tahun lalu, Alejandro Perdomo-Ortiz , seorang peneliti di Laboratorium Quantum Artificial Intelligence NASA, bersama dengan sebuah tim memberi D-Wave sistem pencitraan yang terdiri dari angka-angka yang ditulis tangan. Dia menentukan bahwa ada sepuluh kategori dalam semua, angka yang cocok dari 0 hingga 9, dan menciptakan coretannya sendiri dalam bentuk angka.

Kemacetan terowongan

Ini semua berita baik. Dan berita buruknya adalah tidak masalah seberapa keren prosesor Anda, jika Anda tidak bisa memberikannya data untuk dikerjakan. Dalam algoritma aljabar matriks, satu operasi dapat memproses matriks 16 angka, tetapi masih membutuhkan 16 operasi untuk memuat matriks. "Masalah persiapan negara - menempatkan data klasik dalam keadaan kuantum - dihindari, dan saya pikir ini adalah salah satu bagian terpenting," kata Maria Schuld, seorang peneliti di Xanadu, sebuah startup komputer kuantum, dan salah satu ilmuwan pertama yang mendapatkan gelar CMO. Sistem MO yang didistribusikan secara fisik menghadapi kesulitan paralel - bagaimana cara memperkenalkan tugas ke dalam jaringan qubit dan membuat qubit berinteraksi sesuai kebutuhan.

Setelah Anda dapat memasukkan data, Anda harus menyimpannya sedemikian rupa sehingga sistem kuantum dapat berinteraksi dengannya tanpa merusak perhitungan saat ini. Lloyd dan rekannya telah mengusulkan RAM kuantum menggunakan foton, tetapi tidak ada yang memiliki perangkat analog untuk qubit superkonduktor atau ion yang terjebak - teknologi yang digunakan dalam komputer kuantum terkemuka. "Ini adalah masalah teknis besar lainnya selain masalah membangun komputer kuantum itu sendiri," kata Aaronson. - Saat berkomunikasi dengan para eksperimen, saya mendapat kesan bahwa mereka takut. Mereka tidak tahu bagaimana mendekati penciptaan sistem ini. "

Dan akhirnya, bagaimana cara menampilkan data? Ini berarti mengukur keadaan kuantum mesin, tetapi pengukuran tidak hanya mengembalikan satu angka pada satu waktu, dipilih secara acak, tetapi juga menghancurkan seluruh keadaan komputer, menghapus sisa data sebelum Anda memiliki kesempatan untuk memperolehnya kembali. Anda harus menjalankan algoritme berulang kali untuk mengeluarkan semua informasi.

Tapi tidak semuanya hilang. Untuk beberapa jenis tugas, interferensi kuantum dapat digunakan. Dimungkinkan untuk mengontrol jalannya operasi sehingga jawaban yang salah membatalkan satu sama lain dan yang benar memperkuat diri mereka sendiri; Jadi, ketika Anda mengukur keadaan kuantum, Anda akan dikembalikan bukan hanya nilai acak, tetapi jawaban yang diinginkan. Tetapi hanya beberapa algoritma, misalnya, pencarian dengan pencarian lengkap, dapat mengambil keuntungan dari gangguan, dan akselerasi biasanya ternyata kecil.

Dalam beberapa kasus, para peneliti telah menemukan solusi untuk input dan output data. Pada 2015, Lloyd, Silvano Garnerone dari University of Waterloo di Kanada, dan Paolo Zanardi dari University of Southern California menunjukkan bahwa dalam beberapa jenis analisis statistik tidak perlu memasukkan atau menyimpan seluruh kumpulan data. Demikian juga, tidak perlu membaca semua data ketika beberapa nilai kunci memadai. Sebagai contoh, perusahaan teknologi menggunakan Wilayah Moskow untuk mengeluarkan rekomendasi pada program televisi untuk menonton atau barang untuk dibeli berdasarkan matriks besar dari kebiasaan manusia. "Jika Anda membuat sistem seperti itu untuk Netflix atau Amazon, Anda tidak perlu mencatat matriks di suatu tempat, tetapi rekomendasi untuk pengguna," kata Aaronson.

Semua ini menimbulkan pertanyaan: jika mesin kuantum menunjukkan kemampuannya dalam kasus-kasus khusus, mungkin mesin klasik juga dapat menunjukkan dirinya dengan baik dalam kasus-kasus ini? Ini adalah masalah besar yang belum terselesaikan di bidang ini. Lagi pula, komputer biasa dapat melakukan banyak hal juga. Metode seleksi biasa untuk memproses set data besar - random sampling - sebenarnya sangat mirip dengan komputer kuantum, yang, apa pun yang terjadi di dalamnya, akhirnya menghasilkan hasil acak. Schuld mencatat: "Saya menerapkan banyak algoritma yang saya bereaksi seperti:" Ini sangat keren, ini akselerasi, "dan kemudian, hanya untuk bersenang-senang, saya menulis teknologi pengambilan sampel untuk komputer klasik, dan saya menyadari bahwa hal yang sama dapat dicapai dengan membantu pengambilan sampel. "

Tak satu pun dari kesuksesan yang diraih hingga saat ini oleh KMO lengkap tanpa tangkapan. Ambil mobil D-Wave. Saat mengklasifikasikan gambar mobil dan partikel Higgs, itu bekerja tidak lebih cepat dari komputer klasik. "Salah satu topik yang tidak dibahas dalam pekerjaan kami adalah percepatan kuantum," kata Alex Mott, seorang spesialis IT di proyek DeepMind Google, yang bekerja pada tim yang meneliti partikel Higgs. Pendekatan aljabar matriks, seperti algoritma Harrow-Hassidimi-Lloyd, menunjukkan akselerasi hanya dalam kasus matriks jarang - hampir sepenuhnya diisi dengan nol. "Tapi tidak ada yang mengajukan pertanyaan - apakah data jarang umumnya menarik untuk pembelajaran mesin?" - kata Schuld.

Kecerdasan kuantum

Di sisi lain, bahkan perbaikan langka dalam teknologi yang ada dapat menyenangkan perusahaan teknologi. "Peningkatan yang dihasilkan sederhana, tidak eksponensial, tetapi setidaknya kuadrat," kata Nathan Vayeb , seorang peneliti komputer kuantum di Microsoft Research. "Jika Anda mengambil komputer kuantum yang cukup besar dan cepat, kita dapat merevolusi banyak area di Wilayah Moskow." Dan dalam proses menggunakan sistem ini, para ilmuwan komputer dapat memecahkan teka-teki teoretis - apakah mereka secara definisi lebih cepat, dan dalam hal apa tepatnya.

Schuld juga percaya bahwa ada ruang untuk inovasi di sisi perangkat lunak. MO bukan hanya sekelompok perhitungan. Ini adalah serangkaian tugas dengan strukturnya sendiri, yang didefinisikan. "Algoritma yang dibuat oleh orang-orang terpisah dari hal-hal yang membuat MO menarik dan indah," katanya. - Oleh karena itu, saya mulai bekerja dari ujung yang lain dan berpikir: Jika saya sudah memiliki komputer kuantum - skala kecil - model MO mana yang dapat diimplementasikan di atasnya? Mungkin model ini belum ditemukan. " Jika fisikawan ingin mengesankan ahli MO, mereka harus melakukan lebih dari sekedar membuat versi kuantum dari model yang ada.

Sama seperti banyak ilmuwan saraf telah sampai pada kesimpulan bahwa struktur pemikiran manusia mencerminkan kebutuhan tubuh, sistem MO juga terwujud. Gambar, bahasa, dan sebagian besar data yang mengalir melalui mereka berasal dari dunia nyata dan mencerminkan sifat-sifatnya. CMO juga terwujud - tetapi di dunia yang lebih kaya dari kita. Satu area di mana ia tidak diragukan lagi akan bersinar adalah dalam pemrosesan data kuantum. Jika data ini bukan gambar tetapi hasil percobaan fisik atau kimia, mesin kuantum akan menjadi salah satu elemennya. Masalah input menghilang, dan komputer klasik jauh di belakang.

Seolah-olah dalam situasi lingkaran setan, KMO pertama dapat membantu mengembangkan penggantinya. "Salah satu cara kami benar-benar ingin menggunakan sistem ini adalah dengan membuat komputer kuantum sendiri," kata Weibe. "Untuk beberapa prosedur koreksi kesalahan, ini adalah satu-satunya pendekatan yang kami miliki." Mungkin mereka bahkan bisa memperbaiki kesalahan dalam diri kita. Tanpa mengatasi masalah apakah otak manusia adalah komputer kuantum - dan ini adalah masalah yang sangat kontroversial - kadang-kadang masih berperilaku seperti ini. Perilaku manusia sangat kontekstual; preferensi kita dibentuk melalui pilihan yang diberikan kepada kita dan tidak mematuhi logika. Dalam hal ini kita mirip dengan partikel kuantum. "Bagaimana Anda mengajukan pertanyaan dan dalam urutan apa yang penting, dan ini adalah tipikal dari kumpulan data kuantum," kata Perdomo-Ortiz.Oleh karena itu, sistem CMO dapat berubah menjadi metode alami untuk mempelajari distorsi kognitif pemikiran manusia.

Jaringan saraf dan prosesor kuantum memiliki sesuatu yang sama: mengejutkan bahwa mereka bahkan bekerja. Kemampuan untuk melatih jaringan saraf tidak pernah jelas, dan selama beberapa dekade kebanyakan orang ragu bahwa itu mungkin terjadi. Demikian juga, tidak jelas bahwa komputer kuantum suatu hari akan diadaptasi untuk komputasi, karena fitur-fitur pembeda dari fisika kuantum sangat tersembunyi dari kita semua. Namun keduanya bekerja - tidak selalu, tetapi lebih sering dari yang kita duga. Dan mengingat ini, sepertinya penyatuan mereka akan menemukan tempat untuk dirinya sendiri di bawah matahari.