پردازنده کوانتومی با یک شبکه عصبی جایگزین شد

بزرگ کردن / با توجه به داده‌های درست، یک شبکه عصبی می‌تواند استنباط کند که نقشه‌های راداری در صورت در دسترس بودن، چه شکلی می‌شدند.

به طور فزاینده ای مشخص شده است که کامپیوترهای کوانتومی حتی یک لحظه هم که به وضوح نسبت به سخت افزار کلاسیک برتری پیدا می کنند، نخواهند داشت. درعوض، ما احتمالاً می بینیم که آنها برای مجموعه محدودی از مشکلات مفید می شوند و سپس به تدریج از آنجا به محدوده فزاینده ای از محاسبات گسترش می یابند. این سوال بدیهی است که این ابزار ابتدا در کجا دیده می شود.
استارت‌آپ محاسبات کوانتومی Rigetti اکنون کاغذ سفیدی دارد که حداقل از نظر تئوری، موردی را شناسایی می‌کند که سخت‌افزار کوانتومی باید مزیتی ارائه دهد. و در واقع مفید است: جایگزینی یک شبکه عصبی که برای تجزیه و تحلیل داده های آب و هوا استفاده می شود.
هوا چطور است؟
مشکلی که افراد در Rigetti به آن نگاه کردند شامل گرفتن مجموعه ای جزئی از داده های آب و هوا و استنباط اینکه بقیه شبیه به چه چیزی هستند است. بسیاری از مناطق سیاره فاقد پوشش خوب هستند، و بنابراین ما فقط اطلاعات جزئی در مورد شرایط محلی به دست می آوریم. و اگر چیزهایی مانند هواپیماهای تجاری داشته باشیم که از مناطق دورافتاده عبور می کنند، اغلب می خواهیم تصویر کامل تری از شرایط آنجا داشته باشیم.
برای رسیدگی به این موضوع، مردم شبکه های عصبی را در مناطقی که داده های آب و هوایی کامل تری در اختیار داریم، آموزش داده اند. پس از آموزش، سیستم می تواند داده های جزئی را تغذیه کند و استنباط کند که بقیه احتمالاً چه چیزی هستند. به عنوان مثال، سیستم آموزش دیده می تواند با استفاده از مواردی مانند تصاویر ابر ماهواره ای و داده های مربوط به صاعقه، نقشه راداری احتمالی آب و هوا را ایجاد کند.
این دقیقاً همان چیزی است که شبکه های عصبی با آن به خوبی انجام می دهند: تشخیص الگوها و استنتاج همبستگی ها.
چیزی که توجه تیم Rigetti را به خود جلب کرد این واقعیت است که شبکه های عصبی نیز به خوبی روی پردازنده های کوانتومی نگاشت می شوند. در یک شبکه عصبی معمولی، یک لایه از "نورون ها" قبل از ارسال نتایج به لایه بعدی، عملیات را انجام می دهد. شبکه با تغییر قدرت اتصالات بین واحدها در لایه های مختلف "یاد می گیرد". در یک پردازنده کوانتومی، هر کیوبیت می تواند معادل یک عملیات را انجام دهد. کیوبیت ها همچنین اتصالات را بین خود به اشتراک می گذارند و قدرت اتصال قابل تنظیم است. بنابراین، می توان یک شبکه عصبی را روی یک پردازنده کوانتومی پیاده سازی و آموزش داد.
آگهی

می تواند بهتر باشد
به‌راحتی، برخی از محققان در گوگل معیاری را ایجاد کرده‌اند که امکان مقایسه هوش مصنوعی پیاده‌سازی شده روی سخت‌افزار کلاسیک و کوانتومی را فراهم می‌کند. و Rigetti یک پردازنده کوانتومی 32 کیوبیتی ساخته است، بنابراین توانایی مقایسه را دارد. و بر اساس آن متریک، حداقل مواردی وجود دارد که یک سیستم کوانتومی باید از سیستم کلاسیک بهتر عمل کند.
با این حال، این موارد دقیقاً چه هستند، هنوز مشخص نیست. بنابراین، محققان چندین روش را برای استفاده از پردازنده کوانتومی خود به عنوان بخشی از یک سیستم کوانتومی/کلاسیک مختلط آزمایش کردند. آنها دریافتند که این سیستم برای جنبه های مختلف داده های آب و هوا کم و بیش موفق بوده است. به عنوان مثال، هنگام استفاده از پردازنده کوانتومی برای بازسازی داده های رعد و برق، آنها دریافتند که در ارتفاعات پایین تر کار بهتری انجام می دهد، اما به طور کلی با شبکه عصبی کلاسیک قابل مقایسه است.
در یک آزمایش جداگانه، آنها به سادگی شبکه عصبی را با کیوبیت جایگزین کردند. برای داده های رعد و برق، نسخه کوانتومی بهتر از نسخه کلاسیک بود. با این حال، زمانی که در برابر داده های ماهواره ای آزمایش شد، جداول تغییر کرد، جایی که سیستم های کلاسیک دقیق تر بودند.
مهم است که تأکید کنیم که سیستم کوانتومی در هیچ نقطه ای مزیت عملکرد واقعی را نسبت به روش های موجود برای اجرای این نوع تحلیل آب و هوا نشان نداده است. یافته مهم در اینجا نشان می دهد که عملکرد بهتر ممکن است. همانطور که خود محققین Rigetti خاطرنشان می کنند، "این نتایج شواهد اولیه ای هستند مبنی بر اینکه داده ها در مسائل دنیای واقعی [machine-learning] – در اینجا داده های آب و هوایی با ابعاد بالا – می توانند ساختاری از لحاظ نظری با مزیت کوانتومی داشته باشند."
توانایی آن‌ها برای انجام بخش‌هایی از تجزیه و تحلیل روی سخت‌افزار کوانتومی با نتایج مناسب نشان می‌دهد که هیچ مانعی برای ادغام روش‌های کوانتومی در این نوع تحلیل وجود ندارد. در حالی که این نوعی پیشرفت نیست که توجه را به خود جلب کند، بلکه نوعی کار سخت است که برای به دست آوردن توانایی محاسبات کوانتومی مورد نیاز است.